Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
UNIVERSIDADE ESTADUAL DE CAMPINAS
FACULDADE DE TECNOLOGIA
MESTRADO EM TECNOLOGIA
Gabriel Augusto Duarte
Visualização de Mapas Conceituais Estendidos utilizando grafos orientados a força e restrições de posicionamento de vértices
Limeira, 2018
Gabriel Augusto Duarte
Visualização de Mapas Conceituais Estendidos
utilizando grafos orientados a força e restrições
de posicionamento de vértices
Dissertação apresentada ao Programa de Pós-Graduação da
Faculdade de Tecnologia da Universidade Estadual de Campinas,
como requisito para a obtenção do título de Mestre em
Tecnologia.
Área de Concentração: Tecnologia e Inovação
Orientador: Profª. Drª. Gisele Busichia Baioco
Co-orientador: Prof. Dr. Celmar Guimarães da Silva
ESTE EXEMPLAR CORRESPONDE À VERSÃO FINAL DA
DISSERTAÇÃO DEFENDIDA PELO ALUNO GABRIEL AUGUSTO
DUARTE, E ORIENTADA PELA PROFª. GISELE BUSICHIA BAIOCO
Limeira, 2018
Agência(s) de fomento e nº(s) de processo(s): Não se aplica.
Ficha catalográficaUniversidade Estadual de Campinas
Biblioteca da Faculdade de TecnologiaFelipe de Souza Bueno - CRB 8/8577
Duarte, Gabriel Augusto, 1988- D85v DuaVisualização de mapas conceituais estendidos utilizando grafos orientados
a força e restrições de posicionamento de vértices / Gabriel Augusto Duarte. –Limeira, SP : [s.n.], 2018.
DuaOrientador: Gisele Busichia Baioco. DuaCoorientador: Celmar Guimarães da Silva. DuaDissertação (mestrado) – Universidade Estadual de Campinas, Faculdade
de Tecnologia.
Dua1. Representação do conhecimento (Teoria da informação). 2. Visualização
de informação. 3. Algoritmos em grafos. I. Baioco, Gisele Busichia, 1970-. II.Silva, Celmar Guimarães da, 1978-. III. Universidade Estadual de Campinas.Faculdade de Tecnologia. IV. Título.
Informações para Biblioteca Digital
Título em outro idioma: Extended concept maps visualization through force orientedgraphs and position constraint verticesPalavras-chave em inglês:Knowledge representation (Information theory)Information visualizationGraph algorithmsÁrea de concentração: Tecnologia e InovaçãoTitulação: Mestre em TecnologiaBanca examinadora:Gisele Busichia Baioco [Orientador]Baioco, Gisele BusichiaAntonio Carlos ZambonLuís Sérgio Paço LopesData de defesa: 20-02-2018Programa de Pós-Graduação: Tecnologia
Powered by TCPDF (www.tcpdf.org)
FOLHA DE APROVAÇÃO
Abaixo se apresentam os membros da comissão julgadora da sessão pública de defesa de
dissertação para o Título de Mestre em Tecnologia na área de concentração de Tecnologia e
Inovação, a que submeteu o aluno Gabriel Augusto Duarte em 20 de fevereiro de 2018 na
Faculdade de Tecnologia - FT/ UNICAMP, em Limeira/SP.
Prof. (a). Dr (a) Gisele Busichia Baioco
Presidente da Comissão Julgadora
Prof. Dr. Antonio Carlos Zambon
Faculdade de Tecnologia - FT/ UNICAMP
Prof. Dr. Luís Sérgio Paço Lopes
Academia da Força Aérea - AFA
A Ata da defesa com as respectivas assinaturas dos membros encontra-se no processo de vida
acadêmica da aluna na Universidade.
RESUMO
O mercado atual, globalizado e interconectado, exige das organizações um
compartilhamento ágil do conhecimento, a fim de manter sua vantagem competitiva em meio
a uma concorrência crescente. Porém, o processo cognitivo no qual se compartilha o
conhecimento é complexo, e se faz necessária, portanto, a utilização de ferramentas e técnicas
que o facilitem. Esta pesquisa apresenta um método de visualização para Mapas Conceituais
Estendidos, sendo esse um modelo utilizado para representação, compartilhamento e análise
do conhecimento. Uma vez em que o modelo pode ser interpretado como um grafo inscrito
em uma matriz, técnicas da Visualização de Informação, em especial técnicas de visualização
de grafos, como orientação a força e restrição de posicionamento, se mostram úteis no
cumprimento da tarefa proposta. Para possibilitar a aplicação da visualização em ambiente
computacional, este trabalho tem como produto o software BLUE KMS, que implementa o
algoritmo para a visualização dos Mapas Conceituais Estendidos.
Palavras-chave: representação do conhecimento; visualização de informação;
algoritmos em grafos.
ABSTRACT
Nowadays, the Market is global and interconnected, demanding an agile share of
knowledge to keep the competitive advantages in a growing corporative competition.
However, the cognitive process of knowledge sharing is complex. It’s necessary to use
techniques and tools that make it easier. This research presents a visualization method for
Extended Concept Maps. This model is used to represent, share and analyze the knowledge.
Once in which this model can be interpreted as a graph over a matrix, Information
Visualization techniques, especially graph visualization techniques, such as force-based
techniques and constraint positioning, seem to be useful to accomplish this job. To apply the
proposed visualization on computational environment, this research has as product the BLUE
KMS software, that implements an algorithm to ECM visualization.
Keywords: knowledge representation; information visualization; algorithm on
graphs.
Dedico este trabalho a minha família. Sem eles nenhum esforço faria sentido.
A realização deste trabalho não seria possível somente por meio do meu esforço.
Portanto, deixo aqui a minha homenagem e agradecimento:
Primeiramente a Deus, que nos permitiu chegar até aqui.
Aos meus pais, Elso Francisco Duarte e Marli Claudia Ribeiro Duarte, por terem
me incentivado sempre a estudar, dando a base necessária para que isso pudesse acontecer.
A minha esposa, Daiany Suellen Baungartner, pela constante motivação; e pela
compreensão nos momentos que minha atenção era exclusiva a este trabalho.
A minha orientadora Drª. Gisele Busichia Baioco, e aos professores Dr. Antonio
Carlos Zambon e Dr. Celmar Guimarães da Silva, pela enorme dedicação para com a minha
pesquisa, pela paciência com meus deslizes e falta de tempo, e por não ter permitido que eu
desistisse mesmo diante das maiores dificuldades.
Aos meus companheiros de trabalho Diego Henrique Magrin e Felipe Antônio
Ferraz não só pelo apoio técnico, mas principalmente pela amizade e companheirismo que
tanto contribuíram para meu crescimento acadêmico.
“Se vi mais longe, foi por estar sobre ombros de gigantes.”
Isaac Newton
LISTA DE FIGURAS
FIGURA 2.1 – MAPA CONCEITUAL CÍCLICO ............................................................... 20
FIGURA 2.2 – MATRIZ SWOT.......................................................................................... 21
FIGURA 2.3 – MAPA CONCEITUAL ESTENDIDO ......................................................... 25
FIGURA 3.1 – PROCESSO DE VISUALIZAÇÃO ............................................................. 32
FIGURA 3.2 – GRÁFICO DE BARRAS ............................................................................. 33
FIGURA 3.3 – SÍMBOLOS INDICATIVOS ....................................................................... 33
FIGURA 3.4 – PERCEPÇÃO DE CORES .......................................................................... 34
FIGURA 3.5 – VARIÁVEIS RETINAIS ............................................................................. 34
FIGURA 4.1 – GRAFO SIMPLES ...................................................................................... 40
FIGURA 4.2 – GRAFO DE ORDEM 3 ............................................................................... 40
FIGURA 4.3 – MATRIZES DE INCIDÊNCIA E ADJACÊNCIA ....................................... 41
FIGURA 4.4 – CAMINHO .................................................................................................. 42
FIGURA 4.5 – CICLO ......................................................................................................... 42
FIGURA 4.6 – DÍGRAFO ................................................................................................... 43
FIGURA 4.7 – CONVENÇÕES DE LAYOUT ................................................................... 47
FIGURA 4.8 – RESTRIÇÃO DE ALINHAMENTO NAS ARESTAS ................................. 49
FIGURA 4.9 – TOPOLOGIA-FORMA-MÉTRICA ............................................................. 51
FIGURA 4.10 – ABORDAGEM HIERÁRQUICA .............................................................. 53
FIGURA 4.11 – ABORDAGEM DE VISIBILIDADE ......................................................... 54
FIGURA 4.12 – ABORDAGEM DE AMPLIAÇÃO............................................................ 55
FIGURA 4.13 – ABORDAGEM ORIENTADA A FORÇA................................................. 57
FIGURA 4.14 – ABORDAGEM “DIVIDIR E CONQUISTAR” COM DESENHO RADIAL
...................................................................................................................................... 59
FIGURA 4.15 – GRAFO COM RESTRIÇÕES DE POSICIONAMENTO .......................... 63
FIGURA 4.16 – GROUP-IN-A-BOX LAYOUT .................................................................. 64
FIGURA 5.1 – VISUALIZAÇÃO DO MAPA CONCEITUAL ESTENDIDO ..................... 73
FIGURA 5.2 – ECM COM RÓTULOS OCULTOS ............................................................. 74
FIGURA 5.3 – ECM COM MATRIZ DINÂMICA .............................................................. 75
FIGURA 5.4 – ECM SEM MATRIZ DE ATRIBUTOS ....................................................... 75
FIGURA 5.5 – ECM SEM MATRIZ DE ATRIBUTOS COM GRANDE QUANTIDADE DE
VÉRTICES ................................................................................................................... 76
FIGURA 5.6 – DESTAQUE NA INFLUÊNCIA DE CONCEITO ....................................... 76
FIGURA 6.1 - REPRESENTAÇÃO DO CASO DE ESTUDO ............................................ 80
FIGURA 6.2 - REPRESENTAÇÃO DO CASO DE ESTUDO UTILIZANDO BLUE KMS 81
FIGURA 6.3 - DESTAQUE DAS RELAÇÕES DE UM CONCEITO ................................. 83
FIGURA 6.4 - REPRESENTAÇÃO COMO “GALÁXIA” .................................................. 84
FIGURA 6.5 - REPRESENTAÇÃO DAS ALTERAÇÕES NO SISTEMA .......................... 85
FIGURA 6.6 - REPRESENTAÇÃO VISUAL ..................................................................... 88
SUMÁRIO
LISTA DE FIGURAS ............................................................................................................ x SUMÁRIO .......................................................................................................................... xii
1 Introdução ..................................................................................................................... 14 1.1 Hipótese da pesquisa ............................................................................................... 15 1.2 Objetivo .................................................................................................................. 15 1.3 Organização do trabalho ......................................................................................... 15
2 Mapas conceituais estendidos ........................................................................................ 17 2.1 Representação do conhecimento ............................................................................. 17 2.2 Mapas conceituais ................................................................................................... 19 2.3 Matrizes de atributos ............................................................................................... 20 2.4 Mapas conceituais estendidos.................................................................................. 22
2.4.1 Delimitação do conhecimento representado ...................................................... 23 2.4.2 Identificação das proposições secundárias ........................................................ 23 2.4.3 Atributos de controlabilidade ............................................................................ 23 2.4.4 Representação visual ........................................................................................ 24
2.5 Considerações do capítulo ....................................................................................... 26
3 Visualização de Informação........................................................................................... 27 3.1 Introdução a Visualização de Informação ................................................................ 27 3.2 Tipos de dados ........................................................................................................ 28 3.3 Processo de visualização ......................................................................................... 30 3.4 Mapeamento visual de dados .................................................................................. 32 3.5 Interação ................................................................................................................. 35 3.6 Avaliação de representações visuais ........................................................................ 37 3.7 Considerações do capítulo ....................................................................................... 38
4 Visualização de grafos ................................................................................................... 39 4.1 Teoria dos grafos .................................................................................................... 39
4.1.1 Matrizes de incidência e adjacência .................................................................. 41 4.1.2 Caminhos e ciclos ............................................................................................. 41 4.1.3 Dígrafos ........................................................................................................... 42
4.2 Problemas na visualização de grafos ....................................................................... 44 4.3 Paradigmas do desenho de grafos ............................................................................ 45
4.3.1 Convenções de layout ....................................................................................... 46 4.3.2 Convenções estéticas ........................................................................................ 47 4.3.3 Restrições ......................................................................................................... 48
4.4 Precedência de padrões estéticos ............................................................................. 50 4.4.1 Topologia-forma-métrica .................................................................................. 50 4.4.2 Abordagem hierárquica .................................................................................... 52 4.4.3 Abordagem de visibilidade ............................................................................... 53 4.4.4 Abordagem de ampliação ................................................................................. 55 4.4.5 Abordagem orientada a força ............................................................................ 56 4.4.6 Abordagem “Dividir e conquistar”.................................................................... 58
4.5 Técnicas para visualização de grafos ....................................................................... 59 4.5.1 Algoritmos orientados a força ........................................................................... 60 4.5.2 Vértices com restrições de posicionamento ....................................................... 63 4.5.3 Visualização de agrupamentos em grafos .......................................................... 64
4.5.4 Eficiência ......................................................................................................... 65 4.6 Considerações do capítulo ....................................................................................... 65
5 Visualização de Mapas Conceituais Estendidos ............................................................. 66 5.1 Requisitos do processo de visualização ................................................................... 66 5.2 Mapeamento visual ................................................................................................. 68 5.3 Algoritmo de visualização ....................................................................................... 71 5.4 Visualização dos Mapas Conceituais Estendidos ..................................................... 72 5.5 Considerações do capítulo ....................................................................................... 77
6 Estudo de caso ............................................................................................................... 78 6.1 Primeiro cenário de avaliação ................................................................................. 78 6.2 Segundo cenário de avaliação ................................................................................. 87 6.3 Outros cenários de avaliação ................................................................................... 91 6.4 Considerações do capítulo ....................................................................................... 91
7 Conclusão ..................................................................................................................... 92 7.1 Considerações gerais ............................................................................................... 92 7.2 Trabalhos futuros .................................................................................................... 93
Referências bibliográficas .................................................................................................... 94
14
1 INTRODUÇÃO
Tradicionalmente, o compartilhamento do conhecimento corporativo ocorre por
meio de vários métodos, como interações face-a-face, tutoria, treinamento e desenvolvimento
de equipes. Porém, para o mercado atual, globalizado e virtualmente conectado, tais métodos
de compartilhamento se demonstram lentos e pouco efetivos. Dessa maneira, as organizações
foram compelidas a organizar e produzir sistemas informatizados projetados especificamente
para a facilitar a codificação, coleção, integração e disseminação do conhecimento
organizacional, dando origem aos sistemas de gerenciamento do conhecimento (Knowledge
Management Systems - KMS) (ALAVI; LEIDNER, 1999).
Uma vez armazenado e estruturado, o conhecimento ainda demanda um segundo
processo complexo para que seu receptor possa utilizá-lo. É necessário que o conhecimento
seja recebido e absorvido pelo destino. O objetivo da representação do conhecimento é
facilitar esse processo, e recursos visuais permitem que atalhos sejam tomados no processo
cognitivo (CARD; MACKINLAY; SHNEIDERMAN, 1999). Técnicas que permitam utilizar,
de maneira apropriada, os recursos visuais são pesquisadas e elaboradas pela área da
Visualização de Informação (MAZZA, 2009).
O modelo de representação do conhecimento chamado Mapas Conceituais
Estendidos (ZAMBON et al., 2016a) tem por objetivo unir técnicas conceituadas da área da
gestão estratégica, permitindo que o conhecimento corporativo possa ser representado,
analisado e compreendido como sistema complexo. Entretanto, até então o modelo não havia
incorporado nenhuma técnica que ampliasse sua capacidade cognitiva, como as técnicas da
Visualização de Informação.
Este trabalho propôs a aplicação de técnicas da Visualização de Informação,
principalmente técnicas da visualização de grafos, como orientação a força e restrições no
posicionamento de vértices, verificando a utilidade das técnicas na visualização de Mapas
Conceituais Estendidos. A aplicação em ambiente computacional se deu com o
desenvolvimento do software BLUE KMS (ZAMBON et al., 2016b), permitindo a elicitação,
armazenamento e representação do conhecimento utilizando Mapas Conceituais Estendidos.
15
1.1 Hipótese da pesquisa
A presente pesquisa teve como hipótese: “É possível propor novas representações
visuais para Mapas Conceituais Estendidos, utilizando técnicas da Visualização de
Informação, de maneira a melhor evidenciar características relevantes do modelo, em
diferentes cenários de análise?”
1.2 Objetivo
Este trabalho teve por objetivo principal testar a hipótese de que as técnicas de
Visualização de Informação, especialmente as técnicas de visualização de grafos, são úteis
para a representação do modelo conhecido como Mapas Conceituais Estendidos. Em especial,
este trabalho focou-se no uso de grafos orientados a força, com e sem restrições de
posicionamento.
Foram objetivos secundários, necessários ao cumprimento do objetivo principal, a
definição de requisitos para a visualização, definição das restrições necessárias, definição das
interações e mapeamento visual. Da mesma maneira, foi necessária a implementação de
algoritmo para realização do processo de visualização em ambiente computacional,
originando o software BLUE KMS (ZAMBON et al., 2016b).
1.3 Organização do trabalho
Esta dissertação está organizada na seguinte estrutura:
• O Capítulo 2 aborda a necessidade da socialização e compartilhamento do
conhecimento para que as organizações mantenham a competitividade na realidade do
mercado contemporâneo. São descritos os mapas conceituais e matrizes de atributos
como ferramentas já conceituadas na área da gestão estratégia, para então apresentar
os Mapas Conceituais Estendidos, modelo que une as vantagens analíticas dessas duas
ferramentas, e que representa a base para este trabalho.
16
• O Capítulo 3 aborda a área de Visualização de Informação, seus conceitos, técnicas e
ferramentas que permitem ampliar a capacidade humana de análise, compreensão e
aprendizado sobre um conjunto de dados, por meio de recursos visuais.
• O Capítulo 4 apresenta técnicas da Visualização de Informação voltadas aos grafos,
uma vez que os mapas conceituais, componentes dos Mapas Conceituais Estendidos,
têm sua representação visual baseada nessa estrutura.
• O Capítulo 5 descreve a representação visual criada neste trabalho, composta pelos
requisitos para visualização, restrições, interações e mapeamento visual dos Mapas
Conceituais Estendidos. Em seguida, o capítulo apresenta o algoritmo de visualização,
o software desenvolvido e os resultados visuais gerados.
• O Capítulo 6 apresenta o caso de estudo utilizado para avaliação do algoritmo
proposto no Capítulo 5.
• O Capítulo 7 apresenta as considerações finais da pesquisa, conclusões que puderam
ser realizadas e propostas de trabalhos futuros.
17
2 MAPAS CONCEITUAIS ESTENDIDOS
O conhecimento corporativo é composto pela união do conhecimento individual
de cada um dos agentes envolvidos nas tarefas organizacionais, sejam eles colaboradores,
gestores ou participantes externos. Porém, o processo de construção do conhecimento coletivo
e compartilhado é complexo e demanda estratégias para socializar um recurso que é altamente
endógeno e subjetivo. O presente capítulo realiza uma breve contextualização sobre a
dificuldade da externalização desse conhecimento, apresentando técnicas conhecidas, como
matrizes de atributos e mapas conceituais, para redução dessa complexidade. Por fim, é
apresentada a abordagem dos Mapas Conceituais Estendidos (Extended Concept Maps -
ECM) (ZAMBON et al., 2016a), sendo essa o ponto de partida deste trabalho.
2.1 Representação do conhecimento
Organizações corporativas foram inicialmente concebidas a partir do trabalho
coletivo e, nos dias atuais, tal modelo ainda é utilizado para adquirir vantagens competitivas
sustentáveis. Sob a ótica sistêmica, um fluxo de recursos compatível com as mudanças do
mercado torna duradouras as vantagens competitivas adquiridas. Para atingir esse ponto de
maturidade organizacional é necessário alinhar questões funcionais, informacionais e
tecnológicas (ANUNCIAÇÃO; ZORRINHO, 2006).
Tais condições sistêmicas também definem as diversas competências que os
gestores devem possuir no ambiente contingencial (ROUBY; THOMAS, 2009).
Competências que são construídas endogenamente pelos indivíduos por meio de processos
individuais de aprendizado, onde o acúmulo de conceitos, teorias e ideias constrói a base do
conhecimento. Dessa maneira, é possível dizer que o conhecimento é o resultado de uma
atividade intelectual individual de obtenção e processamento de dados externos. Inteligência é
a capacidade de aplicação do conhecimento a fim de atingir os objetivos desejados. Em suma,
o conhecimento está relacionado ao indivíduo, sendo um recurso interno utilizado para
produzir mudanças externas, no ambiente coletivo (ANUNCIAÇÃO; ZORRINHO, 2006).
Sendo as corporações ambientes de trabalho coletivo, faz-se necessária a
construção do conhecimento em grupo. Para externalizar o conhecimento, as corporações
promovem a socialização e troca de informações entre seus colaboradores. Porém, a tarefa de
18
compartilhar um recurso tácito e individual demonstra-se complexa e se torna um problema a
ser resolvido (NONAKA; TAKEUCHI, 1996).
A fim de organizar o conhecimento individual e construir o conhecimento
coletivo, é necessário representá-lo. A representação do conhecimento se baseia em métodos
sistemáticos e formais para explicitar conceitos que pertençam somente ao individuo e são
relevantes na construção da inteligência corporativa. De acordo com a Teoria da Codificação
Dual (PAIVIO, 1991), a estrutura cognitiva humana relaciona imagens e palavras de maneira
independente, armazenando esses componentes sob diferentes codificações internas. Quando
se imagina um carro, por exemplo, a mente humana normalmente busca a representação
fonética da palavra “carro”, associando a palavra a imagens de carros. Considerando que o
conhecimento é dividido em dois subsistemas: imagético e verbal, a externalização do
conhecimento por meio de representações torna-se mais eficiente quando une a capacidade de
associação desses dois componentes (TAVARES, 2007).
A partir da década de 1970, o planejamento estratégico das organizações deixou
de ser puramente numérico e racional, passando a utilizar abordagens cognitivas
(MACHADO-DA-SILVA; FONSECA; FERNANDES, 1999; MINTZBERG, 1987).
Considerando essa nova realidade, as limitações cognitivas dos gestores se tornaram um fator
a ser trabalhado. De acordo com a teoria da racionalidade limitada (SIMON, 1991), devido a
incapacidade dos gestores em conhecer todas as variáveis de tempo, recursos e interesses, as
decisões tomadas podem ser satisfatórias, mas nunca ótimas.
A Abordagem Proposicional (MITCHELL; BOYLE, 2010) enfatiza a semântica,
considerando que o conhecimento é organizado em proposições inter-relacionadas, compondo
um domínio contextualizado e global (BADDELEY, 1974). Dessa abordagem surge um
esquema interpretativo, definido por mapas conceituais (DUVAL et al., 2012). Mapas
conceituais são diagramas formados por conceitos ligados por ações, associando elementos
gráficos a palavras, como predito na Teoria da Codificação Dual (PAIVIO, 1991).
Outra estratégia amplamente utilizada por gestores para transcender os limites
cognitivos é a utilização de matrizes de atributos. Uma matriz de atributos considera que os
componentes dos processos decisórios podem ser reduzidos a critérios ou atributos. Esses
atributos são previamente definidos por analistas, que os categorizam em uma ordem que
19
facilite a tomada de decisão. Matrizes de atributos, assim como mapas conceituais, são
instrumentos analíticos utilizados pelas organizações para minimizar restrições na formulação
de hipóteses e facilitar a elaboração das soluções de problemas. Matrizes ampliam o acesso a
elementos semânticos, reduzindo os efeitos dos limites cognitivos.
2.2 Mapas conceituais
Mapas conceituais são diagramas nos quais conceitos são relacionados. Conceitos
são pequenas frases que contêm um substantivo compondo o núcleo de seu significado. Esses
conceitos são interligados por relações de causa e efeito representadas por verbos ou
sintagmas verbais (NOVAK, 2010). Cada relacionamento representa uma proposição (p) e, a
união das proposições em um contexto, dão sentido a uma proposição principal (P).
A representação de alguns eventos só é possível utilizando feedbacks
(retroalimentação), processos não lineares em sistemas dinâmicos. Tais processos são
necessários para explicar como um conceito A pode influenciar e modificar um conceito B e,
em um momento futuro, como o conceito B irá influenciar o conceito A, direta ou
indiretamente. Um mapa conceitual cíclico, ou diagrama de feedbacks (SENGE, 2014), é o
meio para representar uma relação entre conceito-causa e conceito-efeito, que gera os ciclos
de retroalimentação. No âmbito da física, os mapas conceituais cíclicos assemelham-se a
redes de transferência de energia, que geram valor adicional, fluindo do conceito-causa para o
conceito-efeito pela relação entre eles. Em virtude disso, observa-se a proximidade com as
ideias de auto-organização e dinâmica não-linear (D’OTTAVIANO; BRESCIANI FILHO,
2000).
A Figura 2.1 exemplifica um mapa conceitual cíclico contendo quatro
proposições. Cada proposição p é composta por um conceito-causa Cc, um conceito-efeito
Ce, e uma relação de causa e efeito, simbolizada por um verbo V. Um exemplo de proposição
pode ser dado por: “Avanços em inovação (Cc) encorajam (V) o entusiasmo da equipe de
inovação (Ce)”. A influência entre conceitos pode acontecer de duas maneiras: o conceito-
causa reforçando (+) ou balanceando (-) o comportamento do conceito-efeito. Uma relação de
reforço demonstra um comportamento de expansão, no qual o conceito-causa influencia o
conceito-efeito ampliando sua ação no sistema. Por sua vez, uma relação de balanceamento
20
demonstra o oposto, significando que a influência do conceito-causa reduz a ação do
conceito-efeito (STERMAN, 2001).
Figura 2.1 – Mapa conceitual cíclico
Fonte: Desenvolvido pelo autor
De acordo com a Abordagem dos Sistemas Abertos (BERTALANFFY, 1968),
sistemas podem ser modificados por influências externas, do mesmo modo que seus
componentes podem influenciar o meio externo. Como mapas conceituais representam
segmentos de sistemas reais, consequentemente podem ser utilizados para análise de partes
delimitadas a um domínio específico.
2.3 Matrizes de atributos
Matrizes de atributos são instrumentos analíticos utilizados para categorizar e
comparar conceitos que representem diferentes segmentos da situação analisada. A matriz
SWOT (HELMS; NIXON, 2010) é uma matriz de atributos amplamente utilizada no
gerenciamento estratégico (SLACK, 1987; THOMPSON; BANK, 2010). Em sua
representação original, a matriz apresenta quatro células, significando forças (strengths - S),
21
fraquezas (weaknesses - W), oportunidades (opportunities - O) e ameaças (threats - T),
respectivamente. As atividades avaliadas são posicionadas em cada uma dessas células.
A Figura 2.2 apresenta um exemplo da matriz SWOT na qual é possível observar
dois atributos divididos em colunas (estimulam ou inibem o crescimento) e dois atributos
divididos em linhas (atributos internos ou externos da organização).
Figura 2.2 – Matriz SWOT
Fonte: Desenvolvido pelo autor
De acordo com a situação analisada, conceitos são distribuídos na matriz SWOT,
sendo caracterizados em relação aos atributos da matriz. Na matriz não há qualquer relação
entre os conceitos ou noções de causa e efeito, como ocorre nos mapas conceituais.
Mapas conceituais oferecem ao analista uma maior capacidade de mapear e
compreender os fenômenos que ocorrem no cenário analisado, enquanto matrizes de atributos
são eficientes para separar componentes analíticos em segmentos, permitindo a avaliação de
mudanças no ambiente interno, geradas tanto próprio ambiente interno quanto externo,
conforme a Abordagem dos Sistemas Abertos (BERTALANFFY, 1968).
22
2.4 Mapas conceituais estendidos
Nomeia-se Mapa Conceitual Estendido (Extended Concept Map - ECM) o
conjunto de regras baseadas na abordagem proposicional, unindo mapas conceituais e
matrizes de atributos (ZAMBON et al., 2016a). Tais regras respeitam os seguintes axiomas:
• A representação do conhecimento é contextualizada em um domínio específico que
engloba um ou mais problemas a serem solucionados;
• A representação possui proposições inter-relacionadas, compostas por conceitos, e
verbos que unem esses conceitos em relações de causa e efeito;
• A posição dos conceitos no diagrama representa o nível de controle do agente sobre o
conceito, sendo agente o detentor do conhecimento, e dos conceitos sobre o domínio;
• Conceitos possuem significado intrínseco e contextualizado no domínio que estão
inseridos.
A representação do conhecimento utilizando ECM segue os seguintes passos:
a. Declaração da proposição inicial P representando o problema a ser analisado, de
acordo com o domínio que o engloba (Seção 2.4.1).
b. Identificação das proposições secundárias (p), conceitos-causa (Cc), conceitos-
efeito (Ce) e suas relações de causa e efeito (V) (Seção 2.4.2).
c. Definição da controlabilidade que os agentes possuem sobre os conceitos e da
controlabilidade dos conceitos sobre P (Seção 2.4.3).
d. Representação visual do modelo (Seção 2.4.4).
23
2.4.1 Delimitação do conhecimento representado
O conhecimento possui um senso contextualizado, e sua representação está
associada a uma questão problemática que deve ser abordada, aprendida ou resolvida. Dessa
maneira, inicialmente o agente declara uma proposição principal P para delimitar o cenário a
ser analisado. Isso se faz necessário para que o agente esteja mentalmente focado no cenário
abordado e possa recuperar com clareza as características da situação analisada.
Tais características são representadas pelas proposições secundárias (p) que
compõem o modelo e são indispensáveis para a compreensão da situação. Dessa maneira, é
essencial que as proposições p façam referencia a P, para que se obtenha uma representação
top-down.
2.4.2 Identificação das proposições secundárias
Proposições secundárias p são compostas por conceitos Cc e Ce, relacionados por
proposições de causa e efeito, cujo núcleo é composto por um verbo V. Para uma análise
apropriada, todos os conceitos devem fazer parte de ao menos um relacionamento, mas nunca
de todos, o que representaria uma estrutura de causa e efeito inviável ou até mesmo
impossível.
Quando todas as proposições p estão interconectadas, a estrutura gerada é idêntica
à de um mapa conceitual cíclico. Em razão disso, atributos de balanceamento (-) e reforço (+)
também são adicionados às proposições, tal como apresentado na Seção 2.2.
2.4.3 Atributos de controlabilidade
Conceitos representam algo pertencente ao domínio, seja concreto ou abstrato, e
são responsáveis pelas mudanças nos sistemas. Tais mudanças ocorrem de duas maneiras:
pela influência do agente sobre o conceito ou pela influência do conceito sobre P.
O agente pode causar as mudanças desejadas no sistema se puder controlar um
conceito cuja influência atinja elementos que deseja modificar. Se um agente possui controle
sobre um conceito, esse conceito é dito controlável (CT) pelo agente. Por outro lado, se um
conceito não pode ser controlado diretamente pelo agente, tal conceito é não-controlável (NC)
24
pelo agente. Ambas as situações exprimem certeza, positiva ou negativa, sobre o nível de
controle do agente. Existe ainda a situação de penumbra (PN) que caracteriza a falta de
certeza sobre o controle do agente em relação a determinado conceito. Todo conceito presente
no ECM deve possuir o atributo que define sua situação acerca do controle do agente. Tal
atributo é nomeado formalmente por “controlabilidade do agente”.
Outro atributo presente nos conceitos do ECM define a capacidade de um
conceito em influenciar mudanças em P, em outras palavras, a capacidade do conceito em
influenciar o meio no qual está inserido. Todas as relações de causa e efeito podem mudar a
situação de P, seja direta ou indiretamente. Se um conceito produz mudanças diretas em P,
então esse conceito é tido como controlável (CT) em relação ao domínio. De maneira
contrária, se um conceito não pode influenciar P diretamente, tal conceito é dado como não-
controlável (NC) em relação ao domínio. Se a capacidade de influência de um conceito sobre
P é desconhecida, é caracterizada a situação de penumbra (PN) em relação ao domínio.
Formalmente, o atributo que caracteriza a influência de P sobre o domínio é chamado
“controlabilidade no domínio”.
2.4.4 Representação visual
A representação visual básica de um ECM, ou seja, a representação ainda sem o
auxílio de técnicas de Visualização de Informação, cuja aplicação são o motivo da presente
pesquisa, é feita por meio dos seguintes componentes:
• Proposição inicial: no ECM, a proposição inicial P é apresentada em forma textual,
inscrita em um quadro posicionado na área superior do diagrama. A posição de
destaque se deve a maneira de leitura do diagrama, que se inicia sempre pela
proposição inicial, com o objetivo de contextualizar o analista acerca do domínio em
questão.
• Atributos de controlabilidade: abaixo da proposição inicial encontra-se a matriz de
atributos, de tamanho 3 × 3, onde os conceitos serão inseridos. As colunas da matriz
representam os atributos de “controlabilidade no domínio”, podendo ser NC, PN, CT,
em uma leitura da esquerda para a direita. Enquanto as linhas representam a
“controlabilidade do agente”, podendo ser CT, PN, NC, em uma leitura realizada de
25
cima para baixo. A situação de penumbra total (PN, PN) está propositalmente situada
ao centro do diagrama, por se tratar do ponto de maior incerteza, devendo ser,
portanto, o primeiro foco de atenção do analista.
• Conceitos: uma vez representada a matriz de atributos, os conceitos devem ser
inseridos nas células que descrevam sua situação de controlabilidade. Para tal, esses
conceitos são apresentados como círculos que possuem rótulos textuais.
• Relações de causa e efeito: relações de causa e efeito são representadas no ECM por
meio de setas que partem do conceito-causa com destino ao conceito-efeito. Essas
setas devem ser curvas, representando a não linearidade do raciocínio sistêmico. No
final das setas, devem ser apresentados os sinais de reforço (+) ou balanceamento (-)
indicando a natureza da relação de causa e efeito.
A Figura 2.3 apresenta um exemplo da representação visual básica do ECM, na
qual quatro conceitos se relacionam.
Figura 2.3 – Mapa Conceitual Estendido
Fonte: Desenvolvido pelo autor
26
Na Figura 2.3, o conceito A possui a configuração de controlabilidade (CT, PN), o
conceito B controlabilidade (PN, CT), o conceito C controlabilidade (NC, NC), e o conceito D
controlabilidade (PN, PN). É possível notar a influência de A sobre B, B sobre C e C sobre A,
gerando um ciclo de influências de reforço o qual, se não houverem interferências por parte
do agente, tende ao infinito. Existe também a influência de A sobre D, em uma relação de
balanceamento. Como não é certa a influência do agente sobre o conceito D, caso fosse
necessária uma ação sobre esse conceito, seria necessária que fosse feita sobre o conceito A,
controlável pelo agente. Se o objetivo for o aumento do efeito de D sobre o sistema, é
necessário reduzir o comportamento de A, se for necessário reduzir o efeito de D, basta
ampliar o comportamento de A.
2.5 Considerações do capítulo
Este capítulo apresentou conceitos sobre representação do conhecimento, mapas
conceituais, matrizes de atributos, introduzindo conceitos do ECM. Como visto, a
representação básica desse modelo não utiliza técnicas de visualização para ampliar sua
capacidade cognitiva, sendo necessário buscar tais técnicas na área da Visualização de
Informação. Como meio para a obtenção do embasamento teórico necessário, o próximo
capítulo aborda justamente essa área.
27
3 VISUALIZAÇÃO DE INFORMAÇÃO
Cognição é a aquisição e utilização de conhecimento (CARD; MACKINLAY;
SHNEIDERMAN, 1999). A atividade cognitiva cria modelos mentais sobre o conjunto de
informações recebido através dos sentidos humanos. Modelos mentais são representações
mentais sobre uma situação real, ou como definido na psicologia cognitiva, uma “codificação
interna” do cérebro descrevendo as características do mundo real (MAZZA, 2009).
Porém, a atividade cognitiva não ocorre sempre da mesma maneira, com a mesma
facilidade para todos os tipos de informações recebidas. A capacidade cognitiva pode ser
ampliada quando recursos visuais são utilizados (CARD; MACKINLAY; SHNEIDERMAN,
1999). A área de Visualização de Informação tem por objetivo pesquisar métodos e
ferramentas que organizam e apresentam dados de maneira visual ampliando, portanto, a
cognição (MAZZA, 2009). Esses métodos e ferramentas estão descritos no presente capítulo.
3.1 Introdução a Visualização de Informação
O termo visualização pode ser utilizado para definir a atividade cognitiva
realizada por meio da visão, na qual se interpreta uma imagem. Na Visualização de
Informação, o termo visualização também se refere a representação visual de algo.
A visualização consegue expandir a capacidade de processamento de dados
acessando diretamente os recursos do sistema visual humano. São fatores que colaboram para
que a visualização facilite a cognição: (1) Aumento da capacidade de memorização da
informação apresentada; (2) Redução da necessidade de busca das informações relevantes em
meio a um conjunto grande de dados; (3) Facilidade de detecção de padrões; (4) Facilidade de
realizar inferências perceptivas; (5) Utilização de mecanismos de atenção da percepção
humana para monitorar pontos relevantes da informação; (6) Tradução da informação para
meios comuns a compreensão humana (CARD; MACKINLAY; SHNEIDERMAN, 1999).
O termo Visualização de Informação surgiu em meados da década de 1980, para
identificação da disciplina que pesquisa a criação de artefatos visuais destinados a ampliar a
cognição acerca da informação. A necessidade de tal pesquisa se intensificou desde o início
da globalização econômica e de comunicação, quando houve um crescimento exponencial da
28
quantidade de dados armazenados, considerando que esse aumento de dados não significou
necessariamente um crescimento imediato na quantidade de informação (MAZZA, 2009). A
necessidade de se processar dados para que se tornem informação denuncia a diferença entre
esses conceitos, sendo necessário defini-los.
Dados são fatos conhecidos que possuem um significado próprio e podem, de
alguma maneira, ser armazenados. Nomes, endereços e telefones são dados sobre pessoas que
podem estar registrados em uma agenda, por exemplo. Quando isolados, os dados não são
suficientes para se estabelecer o processo comunicativo, no qual a origem envia a informação
e o destino compreende. É necessário que os dados sejam processados, organizados e
apresentados de maneira adequada para que se tornem úteis para a compreensão da situação
que representam. O resultado desse processo de transformação dos dados (cognição) é a
informação. A sucessiva obtenção de informações que permite compreender uma situação é
chamada de conhecimento. Pode-se citar, como exemplo, o aluno que recebe diariamente as
informações de seu professor e se torna capaz de resolver um problema da matemática. Diz-
se, portanto, que o aluno adquiriu conhecimento (ELMASRI; NAVATHE, 2003) (MAZZA,
2009).
3.2 Tipos de dados
Qualquer método de representação visual se inicia por um conjunto de dados. Tais
dados podem ser classificados dependendo do tipo a que pertencem, e de acordo com os
atributos que possuem, e a escolha do método de representação depende dessa classificação.
KERREN, EBERT e MEYER (2006) propõe duas possíveis taxonomias para a classificação
dos dados:
Classificação dos dados por atributos:
• Escala nominal: escala na qual não existe relação de ordem entre os dados, como
nomes, endereços e telefones. É possível apenas afirmar que existe igualdade ou
diferença entre os dados.
• Escala ordinal: escala na qual há uma relação de ordem estabelecida entre os dados. É
possível dizer que o elemento A é maior ou menor que B graças a sua característica
ordinal.
29
• Escala intervalar: estendendo a escala ordinal, na escala intervalar os dados são
ordenados e igualmente espaçados, sendo conhecida a diferença existente entre os
valores. Exemplo: pessoas divididas em grupos de 1,60m, 1,70m e 1,80m, ou seja,
grupos com intervalos de 10cm.
• Escala racional ou quantitativa: estendendo a escala intervalar, na escala racional
considera-se o zero absoluto como referência. Valores monetários são um exemplo
para a escala racional.
Classificação de dados no contexto da Visualização de Informação:
• Dados lineares ou de primeira dimensão: dados que podem ser organizados de maneira
sequencial, como listas de nomes, códigos-fonte de softwares e textos em geral.
• Dados planares ou de segunda dimensão: dados que podem ser apresentados
espacialmente em um plano de duas dimensões, como o eixo cartesiano. Dados
geográficos estão inclusos nessa categoria.
• Dados de terceira dimensão: representam os objetos do mundo real, como moléculas,
pessoas ou construções. Esses objetos possuem volume e devem, portanto, ser
representados em três dimensões.
• Dados temporais: dados que podem ser apresentados em linhas de tempo, uma vez que
possuem ordem cronológica. A diferença dos dados dessa categoria para os dados
lineares está no fato de possuírem um início e fim.
• Dados multidimensionais ou multivariados: dados relacionais ou estatísticos, como os
armazenados em bancos de dados. Cada elemento pode possuir n características em
um espaço n-dimensional. Exemplo: Uma pessoa possui nome, endereço e telefone. O
endereço, por sua vez, possui logradouro, número, bairro e cidade, e o telefone possui
código da localidade e número.
30
• Dados hierárquicos: dados cujos elementos possuem relação de hierarquia ou filiação
entre si. Todos os elementos, exceto a raiz, possuem um elemento pai. Os elementos e
as relações podem possuir múltiplos atributos.
• Redes complexas e grafos: representam os dados cujas relações não são somente
hierárquicas. As ligações entre os elementos são arbitrárias, podendo representar
estruturas relacionais complexas. Devido a importância dessa categoria para a presente
pesquisa, ela está melhor abordada no Capítulo 4.
3.3 Processo de visualização
O objetivo principal da Visualização de Informação é criar representações visuais
que sejam úteis e simples de se utilizar. Embora não exista um procedimento único para essa
tarefa, podem ser utilizadas algumas abordagens, como a proposta por MAZZA (2009):
• Definição do problema: identificação do objetivo principal na análise dos dados.
Questões como “Por que a representação visual é necessária?” ou “O que é preciso
comunicar por meio da visualização?” devem ser respondidas antes da criação da
representação, pois influenciam na sua estrutura.
• Exame da natureza dos dados: é necessário conhecer os tipos de dados que se deseja
representar. Estruturas que representam bem dados quantitativos podem não ser tão
adequadas para representar dados qualitativos, por exemplo. A Seção 3.4 descreve
como essa escolha deve ser realizada.
• Verificação do número de dimensões: o número de dimensões ou atributos dos dados
é um fator decisivo na escolha da estrutura visual. Atributos podem ser dependentes,
quando variam de acordo com o comportamento dos atributos independentes, ou
independentes, cujo comportamento não varia acompanhando outros atributos.
Conjuntos de dados podem ser univariados, bivariados, trivariados ou multivariados,
de acordo com a quantidade de atributos dependentes.
31
• Análise da estrutura dos dados: conforme visto na Seção 3.2, dados podem ser
lineares, planares, complexos, etc. Essa classificação também influencia na escolha
das estruturas visuais, conforme descrito na Seção 3.4.
• Análise dos tipos de interação: determinadas representações visuais podem ser
estáticas, e não necessitam de interação para cumprir o papel de comunicação da
informação. Em outros casos é possível, ou até mesmo necessário, permitir a
manipulação da estrutura, variando sob demanda a informação revelada. A interação
em representações visuais está melhor abordada na Seção 3.5.
De maneira complementar, KERREN, EBERT e MEYER (2006) propõem
algumas perguntas a serem respondidas:
• Quem irá utilizar a visualização?
• Quais são os dados que serão visualizados? O que esses dados representam?
• Quais tarefas serão realizadas mediante análise dos dados?
• Quais são os insights (percepções) que a visualização deve facilitar?
Uma vez realizadas análises e definições sobre a representação, para criação de
artefatos visuais que auxiliem na interpretação dos dados, é preciso transcorrer uma sucessão
de estágios, descritos por MAZZA (2009):
• Obtenção dos dados brutos: coleta dos dados originais os quais se deseja representar.
Esses dados são coletados do ambiente que se deseja analisar e geralmente não estão
em uma estrutura que possa ser utilizada diretamente como entrada para a
visualização.
• Processamento e transformações: processamento prévio dos dados, a fim de tornar sua
estrutura adequada a visualização. Nesse processamento podem ser aplicados filtros,
eliminando dados desnecessários ou irrelevantes; podem ser realizados cálculos,
32
objetivando adicionar sumarizações e dados estatísticos; bem como podem ser
adicionados outros atributos, como meta-dados, para facilitar o processo de
visualização.
• Mapeamento visual: definição das estruturas visuais utilizadas na representação dos
dados. Essa escolha de estruturas depende dos tipos de dados representados, conforme
descrito na Seção 3.4.
• Geração da representação visual: exibição do resultado final do processo de
visualização. Nesse processo é exibido o resultado da aplicação do mapeamento visual
sobre os dados processados e transformados.
A Figura 3.1 exibe um diagrama sobre o processo de visualização que se inicia
nos dados brutos e é finalizado na visualização. Os estágios desse processo estão separados
em duas áreas: obtenção e processamento de dados, e visualização. Em sistemas interativos
esse processo pode se tornar um ciclo, sendo repetido a cada interação do usuário.
Figura 3.1 – Processo de visualização
Fonte: Desenvolvido pelo autor
3.4 Mapeamento visual de dados
Sabendo-se que as representações visuais auxiliam a interpretar os dados, é
necessário conhecer os fatores que contribuem para que isso ocorra. Segundo LARKIN e
SIMON (1987) apud MAZZA (2009) alguns desses fatores são:
• Localização: na representação visual, os elementos são posicionados no espaço físico.
Isso permite realizar inferências diretas sobre a relação entre eles. No gráfico de barras
33
da Figura 3.2, o maior valor pode ser facilmente localizado antes mesmo da leitura do
rótulo textual, graças a facilidade em identificar a barra de maior comprimento.
Figura 3.2 – Gráfico de barras
Fonte: Desenvolvido pelo autor
• Redução de rótulos: esta propriedade está ligada a capacidade humana de
reconhecimento de elementos visuais sem que seja necessária a descrição textual dos
mesmos. Como pode ser observado na Figura 3.3, é possível identificar o significado
de cada um dos elementos (telefone, kit de emergência, carrinho de compras), sem que
haja qualquer descrição textual.
Figura 3.3 – Símbolos indicativos
Fonte: Desenvolvido pelo autor
• Ampliação perceptual: o ser humano consegue, por meio da percepção visual, detectar
naturalmente características que diferenciem elementos. Na Figura 3.4, embora
existam dezenas de círculos, encontrar qual circulo diverge dos outros é um processo
mentalmente simples e instantâneo, graças a sua cor.
34
Figura 3.4 – Percepção de cores
Fonte: Desenvolvido pelo autor
O aumento na capacidade cognitiva ocorre graças a características gráficas
específicas das representações visuais. Segundo BERTIN (1983) apud KERREN, EBERT e
MEYER (2006), esse fenômeno ocorre por meio de sete possíveis variáveis: posição, forma,
orientação, cor, textura, valor e tamanho. Tais variáveis são conhecidas como variáveis
retinais ou propriedades gráficas na literatura. A Figura 3.5 apresenta exemplos de cada uma
dessas variáveis.
Figura 3.5 – Variáveis retinais
Fonte: Desenvolvido pelo autor
Considerando a percepção visual humana, as variáveis retinais não se comportam
da mesma maneira. Algumas delas são mais efetivas que outras para representar valores
quantitativos, enquanto outras são mais adequadas a valores qualitativos (MAZZA, 2009). De
acordo com o tipo de dado que se deseja representar, é possível escolher uma propriedade
gráfica que mais se adeque a sua representação, como pode ser visto no Quadro 3.1. No
35
quadro, cada uma das propriedades gráficas está relacionada a uma classe de dados, com 1
para a menos adequada e 3 a mais adequada a representação.
Quadro 3.1 – Propriedades gráficas em relação aos tipos de dados
Escala nominal Escala ordinal/intervalar Escala racional Posição 3 3 3
Tamanho 1 3 3 Forma 3 2 1 Valor 1 3 3 Cor 3 2 1
Orientação 3 1 1 Textura 3 1 1
Fonte: (KERREN; EBERT; MEYER, 2006)
O processo de mapeamento visual se encerra na definição da propriedade gráfica
que irá representar cada um dos atributos do conjunto de dados destacados na visualização.
3.5 Interação
Humanos podem utilizar uma combinação de diversos meios de comunicação para
se expressar. Em um diálogo se utiliza, concomitantemente, a fala, expressões faciais e gestos
para transmitir uma informação. A área da Interação Humano-Computador (IHC) pesquisa
maneiras de utilizar a capacidade humana de comunicação para interação com as máquinas
(KERREN; EBERT; MEYER, 2006).
A interação é fundamental em diversas técnicas da Visualização de Informação.
Em uma representação em três dimensões por exemplo, é necessário girar a imagem para que
seja possível revelar objetos que não estejam em primeiro plano. Ferramentas de
interatividade permitem modificar os dados, alterar o mapeamento visual e manipular a
visualização gerada, facilitando a exploração dos dados e revelando fatores que não poderiam
estar explícitos em representações estáticas. Em suma, todas as técnicas de interação sobre
representações visuais têm um objetivo em comum: prover maneiras de acesso ao conjunto
geral dos dados e, ao mesmo tempo, permitir ao usuário obter detalhes específicos que julgue
relevante a análise (MAZZA, 2009).
36
Para que sejam interpretadas da maneira desejada, as interações devem ser
realizadas em intervalos determinados de tempo, sendo esses divididos em três grupos: 0,1
segundo, 1 segundo, 10 segundos (CARD; MACKINLAY; SHNEIDERMAN, 1999).
• Aproximadamente 0,1 segundo: estímulos que ocorram com intervalos de 0,1
segundo ou menos são fundidos em uma única percepção. Duas imagens similares
vistas com um intervalo de 0,1 segundo são interpretadas como movimento, e
animações deixam de funcionar quando a transição entre seus quadros ultrapassa esse
tempo. Dessa maneira, ações dos usuários devem resultar em efeitos que ocorram em
até 0,1 segundo para que sejam interpretadas como reações, e não eventos isolados.
• Aproximadamente 1 segundo: tempo médio de reação para ações não esperadas.
Eventos que ocorram em um tempo menor que 1 segundo são muito rápidos para que
o usuário responda, se não estiver esperando ativamente que aconteçam. Um motorista
demora aproximadamente 0,7 segundo para reagir e frear um automóvel após um
evento inesperado em seu caminho. O dialogo humano também consiste em blocos de
aproximadamente 1 segundo, e quando um há uma pausa por um tempo maior que
esse, o ouvinte é compelido a dizer a interjeição “ã-hã”, demonstrando que o canal de
comunicação ainda está aberto. Graças a essa percepção, eventos demorados devem
exibir sinais de atividade, como as barras de carregamento, para que o usuário seja
informado que o sistema, algoritmo ou representação ainda está ativo.
• Aproximadamente 10 segundos: tempo médio de uma interação, podendo variar de 5 a
30 segundos, sendo considerado o tempo da menor unidade do trabalho cognitivo. É
interessante que o usuário seja informado do início e término das interações nesse
tempo, facilitando compreender as alterações que ocorrem por meio delas.
As respostas dos sistemas computacionais, utilizados para gerar as representações
visuais, devem ser ajustadas para que ocorram no tempo correspondente ao resultado que se
deseja obter. Um exemplo são as animações sobre a transformação de dados, que não devem
ser muito rápidas: apenas exibir o início e fim de uma representação pode fazer com que o
usuário não reconheça quais objetos do estado inicial originaram os objetos do estado final
(CARD; MACKINLAY; SHNEIDERMAN, 1999).
37
3.6 Avaliação de representações visuais
A avaliação de representações visuais tem o objetivo de garantir que a
representação atenda os requisitos propostos no seu planejamento de maneira satisfatória. A
escolha dos critérios de avaliação depende do tipo de representação e da quantidade dedicada
de recursos, sendo essa muitas vezes limitada (MAZZA, 2009).
Tradicionalmente, sistemas são avaliados em termos de desempenho. Sistemas
que utilizam representações visuais possuem necessidades que muitas vezes sobrepõe a
necessidade por desempenho, como a usabilidade ou satisfação do usuário (KERREN;
EBERT; MEYER, 2006).
A avaliação de sistemas que realizem representações visuais é complexa, como
em todos os sistemas que envolvam interação direta com seres humanos. Dois usuários
diferentes que utilizem o mesmo sistema podem realizar julgamentos distintos, dependendo
da sua experiência, conhecimento, habilidades cognitivas e perceptivas.
Devido a semelhança dos objetivos de avaliação e dos sistemas avaliados, a
Visualização de Informação utiliza técnicas da área de Interação Humano-Computador para
avaliar sistemas que realizem representações visuais. Essas técnicas podem ser divididas em
dois grupos: avaliações analíticas e avaliações empíricas.
Métodos analíticos: métodos que se originam em modelos psicológicos da
interação entre humanos e máquinas, geralmente baseados em estudos comportamentais e
cognitivos. Essas avaliações verificam se os sistemas são compatíveis com determinadas
heurísticas, as quais são definidas nos princípios da usabilidade e acessibilidade de interfaces
gráficas. Avaliadores utilizam os sistemas e julgam se são compatíveis com as heurísticas.
Métodos empíricos: métodos que utilizam protótipos funcionais em experimentos
feitos junto aos usuários finais. Dependendo do tipo das representações visuais, esses
experimentos podem coletar dados quantitativos por meio do próprio sistema, ou qualitativos,
utilizando entrevistas, questionários ou observações diretas.
38
Uma avaliação correta pode revelar potenciais problemas e indicar quais ações
devem ser realizadas para aumentar a qualidade das representações visuais (MAZZA, 2009).
3.7 Considerações do capítulo
Este capítulo apresentou os princípios básicos da Visualização de Informação,
tipos de dados, processo de criação de representações visuais, interação e avaliação. O
capítulo seguinte irá abordar os grafos, componentes centrais na representação visual do
ECM, descrevendo sua teoria e apresentando metodologias e técnicas da Visualização de
Informação para sua representação.
39
4 VISUALIZAÇÃO DE GRAFOS
Como visto no Capítulo 2, o ECM é representado utilizando mapas conceituais
sobre matrizes de atributos, sendo que a representação dos mapas conceituais é feita como na
representação de grafos.
Grafos são utilizados para abstrair as mais variadas situações do mundo real, para
que essas situações possam ser melhor analisadas e compreendidas. Porém, para que os grafos
cumpram seu papel, faz-se necessário que suas representações sejam fáceis de ler e entender.
O presente capítulo realiza uma introdução sobre a teoria dos grafos, abordando
definições e conceitos fundamentais para a compreensão deste trabalho. Em seguida são
descritos problemas recorrentes na representação de grafos, convenções e abordagens para
que a visualização dos grafos atinja um nível satisfatório de clareza e legibilidade, bem como
técnicas que implementem essas abordagens.
O objetivo deste capítulo é a formação de um arcabouço teórico suficiente para
que sejam aplicadas as técnicas corretas de visualização de grafos sobre o ECM, expandido ao
máximo sua capacidade cognitiva.
4.1 Teoria dos grafos
A exemplo dos mapas conceituais, diversas situações do mundo real podem ser
descritas por meio de diagramas contendo um conjunto de pontos e linhas conectando esses
pontos. Podem ser representadas pessoas por meio dos pontos, utilizando as linhas para
demonstrar a relação amizade entre essas pessoas. Podem ser representadas também as
páginas da internet e seus links, ou ainda localizações em um mapa, no qual as linhas são os
caminhos possíveis entre essas localizações. A abstração matemática dessas situações é
chamada grafo (BONDY; MURTY, 1976).
Um grafo é um par G = (V, E), sendo V o conjunto de vértices (nós ou pontos), e
E o conjunto de arestas (linhas). Todo elemento de E deve satisfazer E ⊆ [V]2, ou seja, E
deve ser um subconjunto de dois elementos de V (DIESTEL, 2000).
40
Embora não haja uma forma única de desenho, a maneira mais usual de se
representar visualmente um grafo é utilizar pontos ou círculos para simbolizar os vértices e
linhas para simbolizar as arestas. A posição desses elementos no plano, em geral, não possui
significado (BONDY; MURTY, 1976). A Figura 4.1 representa um grafo simples G, onde V
= {a, b, c, d, e} e E = {w, x, y, z}, sendo w = (a, b), x = (b, c), y = (c, d) e z = (d, e).
Figura 4.1 – Grafo simples
Fonte: Desenvolvido pelo autor
O número de vértices em um grafo define sua ordem, sendo representada por |G|.
Por sua vez, o número de arestas é representado por ||G||. Grafos podem ser finitos ou
infinitos, dependendo de sua ordem. A menos que esteja explícito, todo grafo é considerado
finito. Um grafo vazio ou nulo G = {∅, ∅} também pode ser representado por G = ∅, sendo
admitido apenas por conveniência matemática. A Figura 4.2 representa um grafo G, tal que
|G| = 3, ou seja, V possui 3 elementos. E ||G|| = 2, significando que E possui 2 elementos.
Figura 4.2 – Grafo de ordem 3
Fonte: Desenvolvido pelo autor
Um vértice v é incidente a uma aresta e se v ∈ e. Logo, dois vértices são
adjacentes se forem incidentes a uma mesma aresta, e dois vértices distintos, que sejam
adjacentes, são ditos vizinhos. O conjunto de vértices vizinhos de um vértice v em um grafo é
simbolizado por NG(v). Se todos os vértices de G forem adjacentes, G é um grafo completo.
Um conjunto de vértices ou arestas é dito independente se nenhum elemento desse conjunto
for adjacente (BONDY; MURTY, 1976) (DIESTEL, 2000).
41
4.1.1 Matrizes de incidência e adjacência
Embora a representação visual seja uma maneira conveniente de representação
dos grafos, essa não é uma estrutura amigável para se aplicar métodos matemáticos ou para se
armazenar em ambiente computacional. Para esse propósito são consideradas duas matrizes:
matriz de incidência e matriz de adjacência (BONDY; MURTY, 1976). A Figura 4.3 exibe as
matrizes de incidência e adjacência de um grafo G, onde V = {a, b, c, d} e E = {v, w, x, y, z},
sendo v = (a, c), w = (a, b), x = (a, d), y = (c, d) e z = (b, d).
Figura 4.3 – Matrizes de incidência e adjacência
Fonte: Desenvolvido pelo autor
Considerando um grafo G, com um conjunto de vértices V e um conjunto de
arestas E. A matriz de incidência de G é a matriz MG de tamanho n × m, tal que MG := (mve),
onde mve corresponde ao número de vezes (0, 1 ou 2) que um vértice v e uma aresta e são
incidentes. Por sua vez, a matriz de adjacência de G é a matriz AG de tamanho n × m, tal que
AG := (auv), onde auv corresponde ao número de arestas que interligam os vértices u e v.
4.1.2 Caminhos e ciclos
Um caminho é um grafo não nulo P = (V, E), onde V = {v0, v1, …, vn} e E =
{v0v1, v1v2, …, vn-1vn}, no qual os elementos vi são sempre distintos (DIESTEL, 2000). Em
outras palavras, um caminho é grafo simples no qual os vértices podem ser organizados em
uma sequencia linear na qual dois vértices são adjacentes se forem consecutivos, e não
adjacentes em caso contrário (BONDY; MURTY, 1976). Os vértices v0 e vn são chamados
terminais e possuem grau 1, e os vértices de v1 até vn-1 são chamados internos e possuem grau
2. A quantidade de arestas em um caminho é tida como seu comprimento, e um caminho de
42
comprimento n é denotado Pn, ou n-caminho (DIESTEL, 2000). A Figura 4.4 apresenta um
caminho que pode ser descrito por P3 = ab, bc, cd.
Figura 4.4 – Caminho
Fonte: Desenvolvido pelo autor
Dado um caminho P = v0, …, vn, que tenha n ≥ 3, um grafo C := P + xnx0 é
chamado ciclo. Da mesma maneira que em um caminho, o comprimento de um ciclo é dado
pela quantidade de arestas e um ciclo de comprimento n é denotado Cn, ou ainda n-ciclo. Um
ciclo é também um grafo regular de grau 2 (DIESTEL, 2000). A Figura 4.5 apresenta um
grafo 4-ciclo, C4 = ab, bc, cd, da.
Figura 4.5 – Ciclo
Fonte: Desenvolvido pelo autor
Um grafo 3-ciclo é denominado triângulo, um grafo 4-ciclo quadrilátero e 5-ciclo
pentágono.
4.1.3 Dígrafos
Existem algumas ocasiões nas quais a natureza simétrica das arestas dos grafos
não provê a estrutura necessária para a representação da situação desejada (CHARTRAND;
LESNIAK; ZHANG, 2010). A ligação entre as páginas da internet é um exemplo, uma vez
que uma página A (origem) pode se ligar uma página B (destino) em uma ligação de sentido
único. Caso haja a necessidade de retorno da página B para a página A, é necessária outra
ligação, independente da primeira.
43
Representar um caso como tal por meio de grafo não é suficiente, sendo
necessário aplicar sentido ou orientação a cada uma das arestas. Grafos no qual as arestas
possuam orientação são chamados grafos direcionados, ou simplesmente dígrafos (BONDY;
MURTY, 1976). Um dígrafo D, possuindo um conjunto de vértices V = {a, b, c, d} e um
conjunto de arestas direcionadas E = {(a,b), (b,c), (c,d), (d,c)} está presente na Figura 4.6.
Figura 4.6 – Dígrafo
Fonte: Desenvolvido pelo autor
Formalmente, um dígrafo D consiste em um conjunto, finito e não vazio, de
vértices, e um conjunto de pares de vértices distintos, vazio ou não, pertencentes a D,
chamados arcos ou arestas direcionadas. Para um par de vértices u e v, um arco (u, v) pode ser
denotada como u → v, ou ainda v ← u. Assim como nos grafos, o conjuntos de vértices de D
pode ser denotado V(D), ou simplesmente V, e o conjunto de arestas E(D), ou apenas E
(CHARTRAND; LESNIAK; ZHANG, 2010). Na Figura 4.6, a direção das arestas é
representada por setas e é possível perceber, observando c → d e d → c, que duas arestas
podem ligar o mesmo par de vértices em direções opostas.
Sendo uma aresta (u, v) pertencente a D, diz-se que o vértice u é adjacente a v, e v
é adjacente a u. Para um vértice v, o grau de saída de v é dado pela quantidade de arestas em
D que partem de v. Por sua vez, o grau de entrada é dado pela quantidade de arestas que
terminam em v. Da mesma maneira, a vizinhança de saída N+(v) do vértice v é composta pelo
conjunto de vértices adjacentes a partir de v, e a vizinhança de entrada N-(v) é composta pelo
conjunto de vértices adjacentes até v (CHARTRAND; LESNIAK; ZHANG, 2010).
44
4.2 Problemas na visualização de grafos
Grafos são uma alternativa eficiente para a representação de dados que possuam
características relacionais. Sua desvantagem, porém, consiste no fato de não serem
naturalmente escaláveis. A medida que crescem os números de vértices e arestas, o grafo se
torna complexo, e sem a utilização de técnicas que auxiliem a representação, pode se tornar
ilegível (MAZZA, 2009).
Grafos que possuam milhares de vértices podem inutilizar algoritmos que
normalmente geram boas representações para centenas de vértices. A partir de um certo
limite, nenhum algoritmo irá garantir os critérios estéticos, simplesmente porque não haverá
espaço disponível para exibição dos elementos do grafo. Fica evidente, portanto, que a
primeira necessidade no processo de visualização é a adequação do tamanho do grafo
(HERMAN; MELANÇON; MARSHALL, 2000).
Algumas estratégias, descritas por MAZZA (2009), podem ser adotadas para
melhorar a representação do grafo:
• Utilizar novos arranjos geométricos (layout) como meio de ampliar a legibilidade do
grafo.
• Reduzir a quantidade de elementos representados, ocultando alguns menos relevantes
para a análise desejada.
• Utilizar interatividade por meio de software, permitindo que a representação do grafo
possa ser explorada sob demanda pelo usuário.
De maneira geral, exibir um grafo de muitos elementos sem o devido tratamento,
pode servir para a compreensão do contexto geral, mas dificilmente irá auxiliar a
compreender todos os detalhes da situação analisada (HERMAN; MELANÇON;
MARSHALL, 2000). A sequência do presente trabalho apresenta alternativas para a
representação de grafos, para que problemas de visualização não aconteçam, ou ao menos
sejam minimizados.
45
4.3 Paradigmas do desenho de grafos
Compreende-se por paradigmas no desenho de grafos algumas convenções que
proveem um padrão mínimo de qualidade na visualização dos grafos. Essas convenções estão
divididas na presente seção em duas categorias, convenções de layout, apresentando opções
no desenho dos vértices e arestas, e convenções estéticas, sendo essas características gráficas
que atribuem legibilidade aos grafos. Como alguns grafos possuem restrições em sua
representação, a definição de restrição e alguns exemplos de restrições também estão
presentes.
Diversos padrões são utilizados para a representação visual de grafos, e na grande
maioria desses padrões, os vértices são representados por círculos ou pontos, e as arestas por
linhas que conectem esses pontos. Porém, o padrão utilizado muda de acordo com a sua
aplicação. Na matemática, prefere-se, em geral, representar as arestas sempre por linhas retas.
Em circuitos ou projetos de bancos de dados, por exemplo, encontram-se mais
frequentemente desenhos ortogonais, nos quais as arestas consistem em conjuntos de
segmentos horizontais e verticais. A utilidade de um padrão de representação depende da sua
legibilidade, ou seja, na sua capacidade de transportar o significado do grafo de maneira
rápida e clara (DI BATTISTA et al., 1999).
Para se desenhar um grafo é necessário antes conhecer suas características. É
preciso saber se o grafo é direcionado ou não, se possui poucos vértices ou se é planar,
podendo ser desenhados no plano sem que suas arestas se cruzem, ou seja, é necessário
conhecer a classe a qual esse grafo pertence. O tamanho de um grafo é um fator chave na
visualização do mesmo. Um grande número de vértices e arestas pode comprometer o
desempenho ou mesmo atingir o limite de visualização da plataforma onde o grafo é exibido.
Mesmo que seja possível apresentar todos os elementos, pode ser impossível distinguir entre
vértices e arestas (HERMAN; MELANÇON; MARSHALL, 2000).
Graças a grande variedade de classes de grafos, algoritmos para o desenho de
grafos tendem a funcionar bem para classes específicas, já que diferentes classes de grafos
carecem de ter diferentes características ressaltadas. Grafos acíclicos, por exemplo, devem ter
suas arestas desenhadas preferencialmente na mesma direção, destacando a ausência de ciclos
(DI BATTISTA et al., 1999).
46
Não há, porém, um método perfeito para representar um grafo, já que a
compreensão humana varia de indivíduo para indivíduo, de situação para situação. A
vantagem da utilização de uma técnica ou outra de visualização pode variar de acordo com o
conhecimento do usuário ou até mesmo de acordo com seu humor (DI BATTISTA et al.,
1999). Existem, porém, métodos globais de se ampliar a capacidade de compreensão dos
grafos, através de convenções e padrões estéticos. Tais métodos estão apresentados a seguir.
4.3.1 Convenções de layout
A fim de padronizar a visualização dos grafos, estão definidas convenções de
posicionamento (layout), ou seja, regras básicas para a apresentação de grafos. A seguir estão
algumas convenções de layout apresentadas por DI BATTISTA et al. (1999) e KERREN,
EBERT e MEYER (2006):
• Desenho poligonal (Figura 4.7 a): todas as arestas do grafo são desenhadas como
cadeias poligonais.
• Desenho com linhas retas (Figura 4.7 b): todas as arestas do grafo são desenhadas
como linhas retas.
• Desenho ortogonal (Figura 4.7 c): todas as arestas do grafo são desenhadas como
cadeias poligonais de segmentos horizontais ou verticais.
• Desenho em grade (Figura 4.7 d): todos os vértices, arestas e dobras nas arestas
possuem coordenadas com valores inteiros no plano.
• Desenho planar (Figura 4.7 e): não há cruzamento de arestas.
• Desenho para cima (Figura 4.7 f): utilizado para dígrafos acíclicos direcionados, as
arestas direcionadas são desenhadas sempre em direção ao topo do plano.
• Desenho para baixo: semelhante ao desenho para cima, as arestas direcionadas são
desenhadas sempre em direção ao inferior do plano.
47
Figura 4.7 – Convenções de layout
Fonte: Desenvolvido pelo autor
4.3.2 Convenções estéticas
De maneira geral, são estabelecidas convenções estéticas para ampliar a
legibilidade das representações visuais de grafos, sendo essas convenções medidas
quantitativas (KERREN; EBERT; MEYER, 2006). Embora ditos estéticos, a motivação dos
padrões é prática, sendo possível determinar que a redução no cruzamento de arestas é mais
importante que a redução de curvas em arestas, por exemplo (HERMAN; MELANÇON;
MARSHALL, 2000). A seguir estão as convenções apresentadas por DI BATTISTA et al.
(1999) e KERREN, EBERT e MEYER (2006):
• Cruzamentos: idealmente deve-se realizar uma representação planar do grafo, ou seja,
sem cruzamento de arestas. Isso, porém, não é sempre possível e se deve, portanto,
reduzir ao máximo a quantidade de cruzamentos.
• Área e proporções do desenho: a área de um desenho pode ser definida como a área do
menor retângulo que cubra todos os elementos presentes. Deve ser realizada uma
representação eficiente em relação a área utilizada, de maneira a apresentar
corretamente todos os elementos de maneira clara, sem desperdício de espaço,
especialmente em situações nas quais o espaço em tela é limitado. Diretamente
relacionada a área do desenho, a proporção entre a altura e a largura do desenho,
48
também encontrada como razão ou relação de aspecto na literatura, deve ser
compatível com diferentes planos ou telas onde o desenho possa ser representado.
• Comprimento das arestas: redução da soma do comprimento das arestas, do tamanho
máximo de cada aresta e uniformização dos comprimentos das arestas. Esse padrão é
significativo apenas se a técnica de visualização não utilizar o tamanho das arestas ou
a posição dos nós para apresentar alguma característica importante.
• Total de curvas ou dobras: similar ao comprimento das arestas, deve ser reduzido o
total de dobras nas arestas, o número máximo de dobras em cada aresta, e deve ser
uniformizada a quantidade de dobras, visando uniformizar a representação.
• Resolução angular: maximização do menor ângulo entre duas arestas que atinjam um
mesmo vértice, especialmente em grafos com desenhos de linhas retas.
• Simetria: equilíbrio entre os elementos do grafo. A simetria pode ser apresentada de
diferentes maneiras como a simetria reflexiva, na qual os elementos são posicionados
simetricamente ao longo de um dos eixos do desenho, ou simetria rotacional, na qual
há uma simetria angular entre os elementos do desenho.
4.3.3 Restrições
Enquanto as convenções estéticas e de layout se referem a representação do grafo
como um todo, as restrições, por sua vez, se referem a determinados subgrafos, vértices ou
arestas. Pode ser necessário, por exemplo, representar um grafo no qual os vértices sejam
tarefas consequentes de um projeto, e as arestas a relação de sequência dessas tarefas. Nesse
caso, uma possível restrição seria a apresentação das arestas que componham um determinado
caminho crítico alinhadas, evidenciando esse caminho (DI BATTISTA et al., 1999). A Figura
4.8 apresenta um exemplo de como seria essa representação, alinhando os vértices a, c, d e f,
bem como as arestas que relacionam esses vértices.
49
Figura 4.8 – Restrição de alinhamento nas arestas
Fonte: Desenvolvido pelo autor
Outras restrições comuns, citadas por DI BATTISTA et al. (1999) e
(TAMASSIA, 1998), são:
• Centro: posicionando um determinado vértice centralizado ou próximo ao centro do
grafo.
• Externo: posicionando um determinado vértice nos extremos do desenho.
• Agrupamento: posicionando um determinado grupo de vértices próximos.
• Sequência horizontal ou vertical: posicionando os vértices de um determinado
caminho alinhados horizontal ou verticalmente.
• Forma: desenhando subgrafos com forma pré-definida.
Embora essas sejam restrições comuns, podem existir diversas outras, dependendo
da aplicação. A presente pesquisa utiliza uma restrição específica que encerra os vértices do
grafo nas células da matriz de atributos. Essa restrição está melhor abordada no Capítulo 5.
Os requisitos para o desenho de um grafo podem ser definidos em termos de
convenções de layout, convenções estéticas e restrições, sendo esses parâmetros fundamentais
para as metodologias de representação de grafos (DI BATTISTA et al., 1999).
50
4.4 Precedência de padrões estéticos
Embora todas as convenções estéticas atuem de maneira a melhorar a visualização
de grafos, é natural que algumas delas conflitem entre si quando aplicadas em situações reais.
Mesmo quando não há conflito, é inviável do ponto de vista do algoritmo tentar atender a
todas as convenções de uma só vez. Isso faz com que as metodologias de representação de
grafos necessitem estabelecer uma relação de precedência entre as convenções estéticas,
variando a ordem dessas convenções de acordo com sua aplicação (DI BATTISTA et al.,
1999). Esta seção apresenta algumas dessas metodologias.
4.4.1 Topologia-forma-métrica
Representações de grafos com desenhos ortogonais estão presentes em diversas
aplicações, como diagramas de entidade-relacionamento, diagramas de fluxo de dados ou
diagramas de bancos de dados. A topologia-forma-métrica é utilizada na construção de
desenhos ortogonais em grade, permitindo um tratamento homogêneo dos padrões estéticos.
Segundo DI BATTISTA et al. (1999) Esta metodologia se baseia em três princípios
fundamentais:
• Topologia: duas representações ortogonais possuem a mesma topologia se uma pode
ser obtida a partir da outra através de deformações contínuas que não alterem as
sequências de arestas que formam as faces do desenho.
• Forma: duas representações ortogonais possuem a mesma forma se possuem a mesma
topologia. Uma forma pode ser obtida a partir da outra apenas modificando o
comprimento das arestas, sem modificar os ângulos que elas formam.
• Métrica: duas representações ortogonais possuem as mesmas métricas se são
congruentes, ou seja, se quando sobrepostas, seus elementos coincidem.
Cada um dos princípios informados provê um refinamento do princípio anterior.
A relação hierárquica entre topologia, forma e métrica sugere uma divisão em etapas da
51
geração do desenho. A construção da representação pode ser dívida em três passos para que
corresponda aos princípios básicos da topologia-forma-métrica:
• Planarização: determina a topologia do desenho para que haja uma representação
planar.
• Ortogonalização: determina a forma do desenho para que seja uma representação
ortogonal.
• Compactação: que determina as novas coordenadas dos elementos reduzindo a área
total da representação.
A atuação da metodologia topologia-forma-métrica sobre um grafo G foi
demonstrada na Figura 4.9. Observa-se ainda que o grafo em questão não é um grafo planar e,
nesses casos, o processo de planarização objetiva apenas reduzir a quantidade de cruzamento
de arestas.
Figura 4.9 – Topologia-forma-métrica
Fonte: Desenvolvido pelo autor
Restrições variadas podem ser aplicadas nos passos da topologia-forma-métrica.
Na planarização podem ser aplicadas, por exemplo, restrições no posicionamento de alguns
52
vértices, prevenindo o cruzamento de arestas. Na ortogonalização, pode ser restrita a
quantidade de dobras em alguma aresta e, na compactação, pode ser exigido um espaço
mínimo ao redor de alguns vértices.
4.4.2 Abordagem hierárquica
Dígrafos acíclicos são comumente representados através de desenhos poligonais
com padrões ascendentes ou descendentes. Segundo DI BATTISTA et al. (1999), a
abordagem hierárquica, utilizada na construção dessas representações, pode ser dividida nos
seguintes passos:
• Distribuição em camadas: o grafo de entrada tem seus vértices separados em
diferentes camadas L1, L2 ... Ln, de maneira que, dada uma aresta (u, v), sendo u∈ Li e
v ∈ Lj, i seja maior que j. No desenho final, os vértices de Li terão sua coordenada y,
no plano, igual a i. Os vértices de Lj, terão y igual a j, e assim sucessivamente. Em
seguida, são aplicados dummy nodes (nós fictícios) em arestas que atinjam mais de
uma camada.
• Redução de cruzamentos: o grafo em camadas, gerado no passo anterior pela
distribuição dos vértices, participa de um processo no qual a ordem de seus vértices,
em cada camada, determina a topologia do desenho final, sendo essa ordem escolhida
de maneira a minimizar o cruzamento de arestas.
• Definição da coordenada x: tendo o grafo em camadas com a quantidade de
cruzamentos de arestas reduzida, define-se a posição ideal dos vértices no eixo x,
preservando a ordem definida pela redução de cruzamentos. Arestas que possuam
dummy nodes são transformadas em segmentos de linha reta, sendo esses nós
eliminados do desenho. Caso não seja possível a representação da aresta como linha
reta, podem ser utilizados segmentos poligonais.
Um exemplo da abordagem hierárquica está presente na Figura 4.10, com o grafo
de entrada G tendo seus vértices distribuídos em camadas (L1, L2 e L3), passando por um
processo de redução de arestas e reorganização dos vértices no eixo x.
53
Figura 4.10 – Abordagem hierárquica
Fonte: Desenvolvido pelo autor
Assim como a abordagem topologia-forma-métrica, a abordagem hierárquica
suporta diversas restrições em seus passos. Pode ser exigido, por exemplo, que dois vértices
sejam representados próximos no passo da redução de cruzamentos, ou ainda, pode ser
necessário que vértices de camadas diferentes estejam alinhados na definição da coordenada
x.
4.4.3 Abordagem de visibilidade
A abordagem de visibilidade é uma metodologia de propósito geral, focada na
construção de desenhos poligonais de grafos e, de acordo com DI BATTISTA et al. (1999),
possui os seguintes passos:
• Planarização: idêntica a planarização na topologia-forma-métrica, descrita na Seção
4.4.1.
• Visibilidade: em uma representação visual, cada vértice é mapeado como um
segmento horizontal e cada aresta como um segmento vertical. Um segmento vertical
que represente a aresta (u, v) tem início no segmento horizontal que representa u e
termina no segmento horizontal que representa v, e não intersecciona nenhum outro
54
segmento horizontal. Ao final desse passo, a representação visual gerada se torna um
esboço do desenho final.
• Substituição: constrói-se o desenho poligonal final por meio da substituição dos
segmentos horizontais e verticais, gerados no passo anterior, pelos vértices e arestas
correspondentes.
A Figura 4.11 apresenta um exemplo da abordagem de visibilidade agindo sobre
um grafo idêntico ao grafo tratado na Figura 4.9, o qual demonstra a metodologia topologia-
forma-métrica, passando inclusive o mesmo processo de planarização. No passo da
visibilidade, percebe-se a formação do esboço do grafo final, formado apenas pelos traços
horizontais (vértices) e verticais (arestas). Esses elementos provisórios são substituídos, no
passo seguinte, pelos círculos e segmentos poligonais tradicionais na representação de grafos.
Figura 4.11 – Abordagem de visibilidade
Fonte: Desenvolvido pelo autor
Como a planarização torna a abordagem de visibilidade semelhante a topologia-
forma-métrica, e o passo de visibilidade é semelhante a atribuição de camadas da abordagem
hierárquica, essa abordagem é tida como um meio termo entre as duas abordagens anteriores.
55
Restrições podem ser aplicadas em todos os passos da abordagem de visibilidade,
sendo possível definir restrições no alinhamento dos vértices de determinados caminhos, e
restrições nas formas das arestas.
4.4.4 Abordagem de ampliação
A abordagem de ampliação, apresentada por DI BATTISTA et al. (1999), é
também um abordagem de propósito geral para desenho de grafos com padrão poligonal. Essa
abordagem consiste na ideia de adicionar dummy edges (arestas fictícias) ou dummy nodes
para se obter um grafo de estrutura mais sólida, e que atenda melhor as convenções estéticas.
A Figura 4.12 apresenta os passos realizados na abordagem de ampliação.
Figura 4.12 – Abordagem de ampliação
Fonte: Desenvolvido pelo autor
Na Figura 4.12, podem ser verificados os seguintes passos da abordagem:
• Planarização: idêntica a planarização na topologia-forma-métrica, descrita na Seção
4.4.1.
• Ampliação: o grafo em questão recebe um conjunto adequado de arestas, ou vértices,
se for o caso, de maneira a se tornar um grafo planar máximo. Um grafo planar
máximo é um grafo planar tal que, a adição de qualquer aresta, o tornaria um grafo
56
não planar. Esse tipo de grafo tem por característica a presença de faces formadas por
conjuntos de três arestas.
• Triangulação: após o passo da ampliação, é realizado o desenho final do grafo,
representando as faces do grafo planar máximo como triângulos. Por fim, dummy
edges e dummy nodes, adicionados no passo anterior, são removidos.
Quando o grafo de entrada dessa metodologia é planar, o resultado da abordagem
de ampliação é um grafo com padrão de linhas retas. Caso contrário, os dummy nodes, que
representam cruzamentos de arestas, se tornam dobras nos segmentos. Isso pode ser
visualizado na Figura 4.12, que demonstra a abordagem de ampliação atuando em um grafo G
não planar. A aresta (c, f) que cruza a aresta (a, e) sofre uma sobra, causada pelo dummy node
presente no passo da visualização.
4.4.5 Abordagem orientada a força
A abordagem orientada a força é um método intuitivo para representação de
grafos gerais utilizando desenhos de linha reta, popular graças a simplicidade e facilidade de
implementação. A flexibilidade dessa abordagem consiste na capacidade de calculo das
posições dos elementos utilizando os dados contidos na própria estrutura, não importando a
qual domínio pertença. Representações geradas utilizando essa abordagem tendem a seguir os
padrões estéticos de grafos (KOBOUROV, 2013).
Na abordagem orientada a força, um sistema físico é simulado, no qual forças
atuam sobre os elementos do grafo de entrada. O sistema se inicia com elementos em posições
aleatórias e evolui até o desenho final, quando as forças presentes atingem um ponto de
equilíbrio. Essa abordagem também é encontrada na literatura como método de molas ou
métodos de simulação física (DI BATTISTA et al., 1999; TAMASSIA, 1998).
Um dos métodos mais tradicionais para se aplicar a abordagem orientada a força
consiste em interpretar os vértices como partículas eletricamente carregadas, e arestas como
molas. Dessa maneira, os vértices exercem forças de repulsão entre si, enquanto arestas
exercem forças de atração entre os vértices adjacentes. Um exemplo dessa interação está
ilustrado na Figura 4.13.
57
Figura 4.13 – Abordagem orientada a força
Fonte: Desenvolvido pelo autor
Na Figura 4.13, os seguintes passos estão representados:
• Os vértices são inicialmente posicionados aleatoriamente.
• Em seguida, são aplicadas as forças de repulsão entre esses vértices, como campos
magnéticos, fazendo com que se espalhem pelo desenho, aproveitando a área total e
evitando que se sobreponham.
• Para que o grafo não fique demasiadamente disperso, e para que vértices relacionados
fiquem próximos, as forças de atração entre vértices são então aplicadas, agindo como
molas que interligam os vértices e os aproximam.
• Por fim, com o balanceamento das forças (resfriamento), a representação final do
grafo é apresentada.
58
Embora as analogias de molas e campos magnéticos sejam comuns, diversas
outras analogias físicas podem ser aplicadas, desde que sigam a mesma lógica de atração e
repulsão dos vértices.
São facilmente suportadas pela abordagem orientada a força, restrições de
posicionamento de vértices, restrições de forma e posicionamento de subgrafos, entra
quaisquer outras restrições que possam ser expressadas como componentes do sistema físico
simulado. É possível simular, por exemplo, a ação e forças para agrupamento dos vértices,
alinhamento dos vértices, ou orientação de arestas direcionadas (TAMASSIA, 1998).
Algoritmos que implementam essa abordagem estão presentes na Seção 4.5.1.
4.4.6 Abordagem “Dividir e conquistar”
Amplamente utilizada no desenho de grafos que possam ser facilmente divididos,
como as árvores, a abordagem “Dividir e conquistar” se baseia em três passos: dividir o grafo
de entrada em subgrafos; utilizar recursivamente a metodologia para representar os subgrafos;
agrupar as representações geradas dos subgrafos, de maneira a gerar a representação do grafo
principal (DI BATTISTA et al., 1999). Nota-se que essa abordagem não tem por objetivo
desenhar vértices e arestas, mas tornar a representação mais fácil, associada a outra
metodologia de representação.
A recursão utilizada na metodologia pode ser controlada por meio da seguinte
verificação:
• Se o subgrafo é vazio, deve ser ignorado.
• Se um subgrafo consiste em apenas um vértice, deve ser representado da maneira
trivial, de acordo com a metodologia de representação aplicada.
• Se o subgrafo é uma árvore G, tal que |G| > 1, deve ser dividido, prosseguindo com a
recursão.
59
A Figura 4.14 exibe um grafo desenhado por meio da abordagem “Dividir e
conquistar”, apoiada na técnica do desenho radial, na qual é possível visualizar os vértices da
árvore distribuídos nas camadas concêntricas L1, L2, L3 e L4.
Figura 4.14 – Abordagem “Dividir e conquistar” com desenho radial
Fonte: Desenvolvido pelo autor
São exemplos de técnicas de representação que podem complementar a
abordagem “Dividir e conquistar”: desenho em camadas, aplicando a abordagem hierárquica
presente na Seção 4.4.2; desenho radial, semelhante a abordagem hierárquica, utilizando
porém, círculos concêntricos como camadas para os elementos do grafo; desenho horizontal-
vertical, sendo desenhos de linha reta, no qual os vértices filhos são alinhados horizontal e
verticalmente; enrolamento recursivo, construindo desenhos planares de linha reta, de cima
para baixo, que mantém a proporção de área (DI BATTISTA et al., 1999); 4.5 Técnicas para visualização de grafos
O desenho de grafos possui dois segmentos: um lado algorítmico, fortemente
baseado na matemática e teoria dos grafos, e outro lado focado na aplicação e interação,
baseado nas técnicas da Visualização de Informação (GIBSON; FAITH; VICKERS, 2013).
Algoritmos de visualização de grafos permitem aplicar, em ambiente
computacional, abordagens para a representação de grafos. Associados a bancos de dados e
interfaces visuais, compõem sistemas complexos de recuperação de informação, softwares de
engenharia e softwares de design auxiliado por computador. Tais algoritmos podem ser
60
classificados pelo tipo de grafos para qual são criados, como na família de algoritmos para
grafos planares, por exemplo, e pelo tipo de layout que geram, como algoritmos para
desenhos ortogonais ou desenhos de linha reta (HERMAN; MELANÇON; MARSHALL,
2000; TAMASSIA; BATTISTA; BATINI, 1988).
4.5.1 Algoritmos orientados a força
Algoritmos orientados a força utilizam analogias físicas para o desenho de grafos,
utilizando principalmente, mas não somente, a abordagem orientada a força, descrita na Seção
4.4.5. Em geral, os algoritmos dessa família são compostos por dois elementos, segundo DI
BATTISTA et al. (1999):
• Modelo: um sistema de forças definido pelos vértices e arestas, provendo o modelo
físico do grafo.
• Algoritmo: implementação lógica que busca o estado de equilíbrio no sistema físico,
quando a somatória das forças em cada vértice é igual a zero. Esse estado define a
representação final do grafo.
Existem vários métodos de desenho de grafos orientados a força, sendo
provavelmente a técnica mais frequentemente utilizada e modificada. Embora essa técnica
não possua limite quanto a dimensão da visualização, é mais comumente utilizada em duas
dimensões. A popularidade dessa técnica se deve a facilidade de compreensão da técnica e
implementação em código (GIBSON; FAITH; VICKERS, 2013).
Método baricêntrico:
KOBOUROV (2013) cita o algoritmo de TUTTE (1963) como sendo o primeiro
algoritmo orientado a força. A ideia do método baricêntrico consiste em: se uma face do grafo
planar for fixada no plano, então as posições adequadas dos outros vértices podem ser
encontradas resolvendo um sistema de equações lineares, onde cada posição de vértice é
representada pela combinação convexa das posições de seus vizinhos. Segundo DI
BATTISTA et al. (1999), ele pode ser considerado um método orientado a força.
61
Spring Embedder:
TAMASSIA (1998) descreve o algoritmo proposto por EADES e XUEMIN
(1989), como um sistema físico onde cada par de vértices é conectado por uma mola. Para
grafos adjacentes a mola possui um comprimento unitário natural, atraindo então os vértices
conectados, a menos que estejam a uma distância ideal. A fórmula da força de atração entre os
vértices é:
fa = ca log(d), sendo ca um parâmetro de ajuste do algoritmo
Para grafos não adjacentes, a mola possui um comprimento infinito natural,
fazendo com que os vértices se repilam. A fórmula da força de repulsão entre os vértices é:
fa = cr / d2, sendo cr um parâmetro de ajuste do algoritmo
Os vértices são posicionados aleatoriamente no início, e o algoritmo é executado
até que as forças sobre os vértices sejam iguais a zero.
Fruchterman-Reingold:
FRUCHTERMAN e REINGOLD (1991) propõe, conforme descrito por
(KOBOUROV, 2013), um algoritmo baseado no algoritmo de Eades, onde os vértices são
considerados “partículas atômicas ou corpos celestiais”, exercendo forças de atração e
repulsão entre si, ambas calculadas em relação a distância (d). As forças de atração são
calculadas por:
fa(d) = d2 / k
E as forças de repulsão são calculadas por:
fr = -k2 / d
A constante k define a distância ideal entre dois vértices e é definida por:
𝑘 = $𝑎𝑟𝑒𝑎
𝑛ú𝑚𝑒𝑟𝑜𝑑𝑒𝑣é𝑟𝑡𝑖𝑐𝑒𝑠
Abordagem das distâncias teóricas:
De acordo com CHEN (2006), KAMADA; KAWAI (1989) introduziu um
algoritmo baseado no modelo de molas de Eades, tendo por objetivo dois critérios principais:
62
• O número de cruzamentos de arestas deve ser mínimo.
• Os vértices e arestas devem ser distribuídos uniformemente.
O algoritmo de Kamada-Kawai tem por objetivo manter os vértices a uma
distância precisa, chamada “distância gráfico-teórica”. Nesse modelo, o desenho “perfeito”
seria realizado quando a distância entre cada par de vértices atingisse essa distância. Enquanto
o algoritmo de Eades não aplica explicitamente a lei de Hook1, Kamada-Kawai é diretamente
baseado nesse princípio (GIBSON; FAITH; VICKERS, 2013).
Davidson-Harels:
DAVIDSON e HAREL (1996) propõem um algoritmo de desenho de grafos que
simula o processo de resfriamento lento de líquidos, no qual é formada uma estrutura
cristalina, chamado recozimento. Tal algoritmo tem por objetivo gerar visualizações com nós
uniformemente distribuídos, tamanhos de arestas uniformes e número reduzido de
cruzamentos.
O algoritmo de Davidson-Harel inicia com uma temperatura global e a cada
iteração, apenas um vértice é movido. A distância que um vértice pode se mover diminui a
cada iteração, e a temperatura é recalculada. Esse ciclo se repete até que um dos critérios de
finalização, como a iteração sobre um determinado número de vértices, seja atingida
(GIBSON; FAITH; VICKERS, 2013). Para uma escolha de algoritmo baseada em critérios, o
seguinte quadro é proposto:
Quadro 4.1 – Critérios para escolha de algoritmos para o desenho de grafos
Critério Simetria Nós
uniformemente distribuídos
Comprimento uniforme de
arestas
Redução de cruzamentos de
arestas Spring embedder SIM - SIM -
Fruchterman-Reingold - SIM SIM SIM
Kamada-Kawai SIM SIM SIM SIM Davidson-Harel - SIM SIM SIM
Fonte: Baseado no quadro de CHEN (2006)
1 Lei de Hook: a força exercida por uma mola é linear e proporcional a sua deformação em relação ao seu tamanho natural
63
4.5.2 Vértices com restrições de posicionamento
De maneira complementar aos algoritmos orientados a força, existem os layouts
baseados em restrições, cuja abordagem foi citada na Seção 4.3.3. Tais técnicas impõem
critérios de posicionamento definidos pelo usuário, em todos os vértices ou em uma seleção
específica, aplicados ao algoritmo de layout. Os critérios podem ser a predeterminação da
posição de vértices, distanciamento de um determinado grupo de vértices ou ainda aplicação
de critérios de posicionamento a um determinado subgrafo. As restrições normalmente se
originam dos atributos dos vértices (GIBSON; FAITH; VICKERS, 2013).
Restrições aplicadas a subgrafos atribuem a eles formas predeterminadas, que
podem ser movidas ou giradas, mas não deformadas, no processo do desenho do grafo. Dessa
maneira, o subgrafo é tratado como um corpo rígido, que pode ser movido ou girado a cada
passo da simulação, dependendo da força e torque que recebam como resultado da somatória
das forças aplicadas individualmente aos vértices (TAMASSIA, 1998).
A Figura 4.15 apresenta um exemplo de layout baseado em restrições no qual os
vértices são alinhados de acordo com a sua classificação.
Figura 4.15 – Grafo com restrições de posicionamento
Fonte: (GIBSON; FAITH; VICKERS, 2013)
64
De acordo com GIBSON, FAITH e VICKERS (2012), o uso mais conhecido dos
princípios da restrição de posicionamento está na abordagem de SUGIYAMA; TAGAWA;
TODA (1981), para desenho de estruturas hierárquicas. Nessa abordagem, a hierarquia pode
já existir no grafo, ou ser induzida pelos atributos dos vértices, tendo como resultado uma
representação em camadas na qual as posições verticais são atribuídas primeiro.
A restrição de posicionamento pode auxiliar layouts interativos a preservar o
mapa mental dos usuários sobre o grafo representado, quando modificações são realizadas
(GIBSON; FAITH; VICKERS, 2013).
4.5.3 Visualização de agrupamentos em grafos
O agrupamento de vértices se mostra uma das técnicas mais eficientes para revelar
padrões ou similaridades em grafos, de maneira a ser aplicada em detrimento a redução do
cruzamento de arestas (GIBSON; FAITH; VICKERS, 2013). O agrupamento pode ser
realizado tanto pela conectividade dos vértices quanto por outros critérios sobre seus atributos
e, uma vez que os vértices estejam agrupados, outras técnicas podem ser normalmente
aplicadas. Em algoritmos orientados a força, vértices de mesmo grupo são atraídos, e vértices
de grupos diferentes repelidos (KERREN; EBERT; MEYER, 2006).
A Figura 4.16 apresenta um exemplo de grafo visualizado utilizando essa técnica.
Figura 4.16 – Group-in-a-box Layout
Fonte: (GIBSON; FAITH; VICKERS, 2013)
65
Estendendo a ideia dos layouts baseados em restrições, RODRIGUES et al.
(2011) propõem uma abordagem chamada Group-in-a-box layout (Figura 4.16), na qual os
grupos de vértices são inseridos nos retângulos de um treemap2, permitindo uma identificação
facilitada dos diferentes grupos.
4.5.4 Eficiência
Além das questões visuais dos grafos, um importante fator é a eficiência
computacional do algoritmo utilizado. As representações visuais de grafos, em especial as que
permitem interação, devem responder em tempo real às ações do usuário, mesmo nos casos
que são representados grafos com grandes quantidades de elementos (DI BATTISTA et al.,
1999).
4.6 Considerações do capítulo
Este capítulo abordou inicialmente a teoria dos grafos. Em seguida foram
descritos os paradigmas da visualização de grafos, problemas comuns, abordagens gerais da
visualização de grafos servindo de embasamento teórico para então serem apresentadas
técnicas de visualização de grafos, que sustentam a presente pesquisa.
O capítulo seguinte apresenta a metodologia da pesquisa, aplicando os conceitos e
técnicas da Visualização de Informação utilizados com o objetivo de ampliar a capacidade
cognitiva do ECM.
2Treemap: Representação onde a área total é dividida em regiões retangulares que representam vértices. Essas regiões também são divididas acomodando sub-regiões que representam seus filhos (KERREN; EBERT; MEYER, 2006).
66
5 VISUALIZAÇÃO DE MAPAS CONCEITUAIS
ESTENDIDOS
O capítulo anterior abordou técnicas da Visualização de Informação utilizadas na
representação de grafos, como as técnicas orientadas a força e restrições de posicionamento.
Conforme descrito no Capítulo 2, a visualização do ECM consiste basicamente em um grafo
(mapa conceitual) inserido em uma matriz (matriz de atributos), considerando-se, portanto,
que as técnicas de visualização de grafos podem, em teoria, auxiliar na representação desse
modelo.
O presente capítulo descreve a metodologia utilizada na escolha das técnicas de
visualização, sendo considerado o processo de criação de representações visuais, requisitos do
grafo a ser representado, mapeamento visual e escolha das interações. Ao final, é descrito o
desenvolvimento do algoritmo de visualização do ECM, que originou o software BLUE
KMS, e apresentado o produto final da visualização.
5.1 Requisitos do processo de visualização
Com uma abordagem inspirada no trabalho de KULYK et al. (2006), o processo e
desenvolvimento da visualização foi realizado com ênfase na Visualização de Informação, e
baseando-se em aspectos humanos, com objetivo de atender primordialmente as necessidades
dos analistas. Como procedimento formal para o levantamento das informações e requisitos
da visualização proposta, utilizaram-se as instruções presentes na seção 3.3, na qual são
descritas uma série de questões que fornecem a base para a elaboração da visualização.
A primeira questão a ser considerada é definir o problema a ser resolvido pela
visualização. Analisando a representação básica do ECM pode-se constatar que não há
qualquer recurso visual que enfatize padrões ou facilite a realização de inferências
perceptivas. Quando um sistema complexo é analisado, é de suma importância que o analista
não se atente somente as informações básicas, mas que seja guiado pela visualização a
perceber fatores relevantes que não estejam evidentes. No caso do ECM, perceber facilmente
que um determinado conceito é um ponto crítico do sistema, por não ser controlável, é um
exemplo disso.
67
A lista a seguir concretiza quais são os pontos relevantes a serem enfatizados:
• Relação de influência entre os conceitos: como premissa básica para análises
realizadas por meio de ECM, o processo de reconhecimento das influências entre os
conceitos deve ser simples e intuitivo, bem como sua natureza de reforço ou
balanceamento;
• Controlabilidade dos conceitos: deve ser facilitado também o reconhecimento da
controlabilidade do conceito, tanto em relação ao agente, quanto em relação ao
domínio;
• Criticidade do conceito no sistema: uma vez que as análises do ECM partam dos
conceitos em situação mais crítica no sistema, ou seja, dos conceitos em situação de
maior incerteza (PN, PN) é necessário destacar esses conceitos em relação aos outros.
Também é necessário destacar, de maneira menos enfática, conceitos em situação de
certeza parcial ((CT, PN), (NC, PN), (PN, CT), (PN, NC)).
• Influência indireta de um conceito sobre os outros conceitos: além da influência direta,
representada pela relação entre os conceitos, existe ainda a necessidade de evidenciar
a influência indireta, que flui de um conceito através dos outros conceitos até um
destino final, ou ainda que retorna ao próprio conceito inicial caracterizando um ciclo.
Conhecendo os pontos que devem ser destacados na visualização, faz-se
necessário analisar a natureza dos dados para que possa ser definido o processo que, por meio
desses dados, revele esses pontos. No ECM, os dados têm natureza relacional não hierárquica,
sendo adequados a representação por meio de grafos.
Quanto a interação, por se tratar de uma ferramenta analítica, deve permitir ao
usuário manipular a visualização, mas não os dados representados por ela, conforme descrito
na Seção 3.5.
68
5.2 Mapeamento visual
Embora o ECM já possua um mapeamento prévio, que consiste na representação
realizada por meio dos mapas conceituais e das matrizes de atributos, buscou-se verificar se
essas são realmente os melhores meios de representação para o objetivo da análise. Para a
representação de grafos ou redes complexas existem como alternativas a representação
tradicional de grafos como diagramas de círculos e linhas que interligam esses círculos, ou
ainda a representação por meio de matrizes, como visto na Seção 4.1.1. Porém, matrizes de
incidência e adjacência não são ferramentas práticas quando se deseja evidenciar as relações
existentes, sendo mais adequadas a aplicações matemáticas e algorítmicas, e sua utilização
faria com que a visualização falhasse na primeira necessidade detectada (Seção 5.1), sobre a
evidenciação de relações. Dessa maneira, a visualização dos dados sob a forma de grafos,
como é feita no ECM por meio dos mapas conceituais, aparenta ser a alternativa mais
adequada.
Por sua vez, a utilização das matrizes de atributos é justificada no Capítulo 2 pela
fácil categorização dos elementos em diferentes segmentos da análise. Como alternativa para
essa representação, poderiam ser utilizadas técnicas de agrupamentos de vértices ou ainda a
aplicação de cores para identificação dos atributos dos vértices. Tais técnicas não são
concorrentes, podendo ser aplicadas concomitantemente no diagrama, contribuindo para uma
fácil identificação das características a serem ressaltadas. Como a matriz de atributos do ECM
é utilizada para caracterizar os conceitos em relação a seus atributos de controlabilidade, os
agrupamentos dos vértices seguirão o mesmo princípio. Em relação as cores, optou-se por
utilizá-las para identificar a criticidade do conceito, colorindo não só o conceito, como a
célula da matriz que o contém, já que a criticidade de dá pela posição do conceito na matriz.
No ECM, as relações são indicadas por setas curvas que interligam os conceitos,
assim como nos grafos. Na representação original do modelo, porém, são adicionados os
sinais de reforço (+) ou balanceamento (-) próximos ao final da seta, o que pode impedir o
correto reconhecimento do tipo de relação quando muitas setas chegam a um mesmo conceito
no diagrama e esses sinais se sobrepõem. Como solução desse problema, os sinais foram
removidos do diagrama, e as situações de reforço ou balanceamento passaram a ser indicadas
por setas curvas contínuas ou tracejadas, respectivamente.
69
Quanto a interatividade, o diagrama deve permitir movimentação dos vértices
livremente, mas sem que deixem a célula que caracteriza sua situação de controlabilidade,
para que o analista possa visualizar algum rótulo oculto pela sobreposição de algum outro
vértice ou aresta. Ainda com o objetivo de facilitar a visualização de elementos sobrepostos, o
diagrama deve permitir o ocultamento ou a exibição dos rótulos de vértices e arestas a critério
do usuário.
Como meio para destacar os caminhos de influência, quando o analista posicionar
o cursor sobre um vértice, devem ser destacadas suas as relações, permitindo detectar
facilmente conceitos que o influenciam e que por ele são influenciados.
Esclarecidas as questões do mapeamento visual, ficaram definidas as seguintes
características para o diagrama:
• A base para a representação continua sendo os mapas conceituais e matrizes de
atributos pois, além de se revelarem boas técnicas de acordo com os parâmetros da
Visualização de Informação, são técnicas familiares aos analistas da área de gestão
estratégia e gerenciamento do conhecimento.
• As células da matriz de atributos recebem as cores que indicam os três níveis de
criticidade existentes: verde para certeza total ((CT, CT), (CT, NC), (NC, CT), (NC,
NC)), amarelo para certeza parcial ((CT, PN), (NC, PN), (PN, CT), (PN, NC)) e
vermelho para incerteza (PN, PN). As cores são apresentadas de maneira atenuada,
evitando ofuscar outros elementos do diagrama.
• Os vértices contidos nas células da matriz recebem a mesma cor das células que os
contém. Porém, no caso dos vértices, a cor não é atenuada. Para identificação são
apresentados rótulos textuais, posicionados acima dos vértices, contendo a frase que
origina o conceito representado por eles. A fim de evitar confusão, rótulos e vértices
recebem uma numeração indicativa para simplificar a localização.
• Os arcos que interligam os vértices e representam as relações de causa e efeito são
representados por setas curvas, mantendo o padrão dos mapas conceituais (como
70
descrito na Seção 2.2), possuindo linhas contínuas, caso sejam relações de reforço, ou
linhas tracejadas, caso sejam relações de balanceamento. No centro dos arcos será
posicionado o rótulo textual que contém o verbo que origina a relação.
• Os vértices podem ser arrastados pelo usuário, desde que não deixem a célula que os
contém.
• Os rótulos podem ser ocultos ou exibidos.
• Quando um vértice é sobreposto pelo cursor do mouse, todas as arestas do diagrama
ficam semitransparentes, com exceção das arestas que partam ou cheguem até esse
vértice, evidenciando suas relações.
Como requisitos específicos do grafo presente no diagrama definem-se os seguintes termos,
conforme descrito no Capítulo 4:
• Em relação ao layout: o grafo do ECM será representado utilizando como base o
desenho de linhas retas. Na representação final, porém, as linhas retas são substituídas
por linhas curvas, seguindo os princípios dos diagramas de representação do
conhecimento (Seção 2.2).
• Em relação as convenções estéticas: as principais convenções a serem seguidas pelo
diagrama são: bom aproveitamento da área do desenho e proporcionalidade. Para um
desenho de linhas retas com quantidade relativamente pequena de vértices, como é o
caso do ECM (menos de 100 vértices), com as convenções estéticas citadas, a
abordagem que se mostra mais adequada a essa realidade é abordagem orientada a
força.
• Em relação as restrições: as restrições no posicionamento consistem basicamente na
delimitação da movimentação dos vértices pelas células da matriz de atributos.
71
5.3 Algoritmo de visualização
Conforme dito na seção anterior, a abordagem que se mostra mais adequada para
a representação do diagrama é a abordagem orientada a força. Seguindo os critérios descritos
na Seção 4.4.5, o algoritmo que melhor atende os critérios propostos é o algoritmo de
Fruchterman-Reingold (FRUCHTERMAN; REINGOLD, 1991). Esse algoritmo irá
posicionar de maneira adequada os vértices, aproximando os vértices adjacentes e separando
os não adjacentes, permitindo ainda que a interação de arrasto dos vértices seja feita sem
prejudicar sua execução. Quando um vértice é arrastado o algoritmo simplesmente irá
continuar recalculando as posições do grafo como um todo até o seu “resfriamento”, quando
as forças presentes se aproximam de zero. O resfriamento também pode ser forçado pelo
usuário, a fim de obter uma visualização intermediária do grafo.
A única adequação necessária no algoritmo de Fruchterman-Reingold foi a
necessidade de repulsão dos vértices pelas paredes das células que os contém, impedindo que
esses vértices “escapem” para outras células, descaracterizando sua situação de
controlabilidade. Para tal, foi adicionada a noção de magnetismo as paredes das células,
repelindo os vértices nela contidos.
A flexibilidade do algoritmo de Fruchterman-Reingold permitiu ainda uma nova
modificação para que o espaço do desenho seja melhor aproveitado: sob demanda do usuário,
as células ganham flexibilidade em relação ao tamanho, se ajustando a quantidade de vértices
em seu interior.
Para fins de experimentação, adicionou-se ainda um terceiro método de
visualização, onde a matriz de atributos é removida e os vértices dos grafos podem ser
posicionados livremente pelo algoritmo. Nesse modo, são desconsiderados os atributos de
controlabilidade, sendo evidenciada apenas a característica de criticidade dos vértices.
Resumindo, o algoritmo permite três métodos de visualização, que podem ser
alternados a critério do usuário na mesma visualização e em tempo real: visualização com
matriz estática, visualização com matriz dinâmica, e visualização sem matriz.
72
Com o objetivo de criar uma ferramenta cujo acesso fosse global e simplificado, a
ferramenta de visualização do ECM foi feita como biblioteca para páginas de internet,
utilizando a linguagem de programação Javascript3.
Inicialmente, a implementação do algoritmo foi realizada utilizando a biblioteca
Data Driven Documents4. Porém, por se tratar de uma biblioteca que utiliza componentes
SVG5, o desempenho do algoritmo demonstrou-se aquém do esperado, sendo necessária a
substituição. Para um segundo protótipo, utilizou-se a biblioteca CreateJS6, que renderiza os
componentes da visualização em canvas7 HTML, demonstrando desempenho suficiente para a
necessidade proposta.
Como suporte a ferramenta de visualização, foi desenvolvida uma plataforma
nomeada de BLUE KMS8 (ZAMBON et al., 2016b), objetivando facilitar a gestão de usuários
que participam do processo de análise e compartilhamento do conhecimento, bem como a
criação de novos módulos, tanto para elicitação, quanto para a representação e análise do
conhecimento, facilitando o desenvolvimento de futuras pesquisas que se apoiem no ECM.
Esse software foi registrado no Instituto Nacional da Propriedade Industrial, com o número de
processo BR 51 2016 000860-1, com auxílio da Agência de Inovação da UNICAMP (INOVA
UNICAMP).
5.4 Visualização dos Mapas Conceituais Estendidos
Como exemplo para a visualização do ECM, foi utilizado o mesmo caso abordado
na Seção 2.2 para apresentar os mapas conceituais, sendo baseado na seguinte proposição
inicial (P): “Como ampliar o entusiasmo da equipe de inovação?”. Por sua vez, as proposições
secundárias são: (1) Competitividade nas organizações estimula os avanços em inovação
(reforço); (2) Avanços em inovação encorajam o entusiasmo na equipe de inovação (reforço);
3 Javascript: linguagem de programação interpretada, utilizada principalmente em navegadores de internet (MOZILLA, 2016a). 4 Biblioteca Data Drive Documents, disponível em http://d3js.org 5 SVG: linguagem de marcação para desenvolvimento gráfico em duas dimensões (W3C, 2016) 6 Biblioteca CreateJS, disponível em http://createjs.com/ 7 Canvas: componente que permite a renderização de gráficos e imagens em páginas de internet (MOZILLA, 2016b) 8 Disponível em: http://unicamp.bluekms.com.br
73
(3) Entusiasmo na equipe de inovação causa competição na equipe (reforço); (4) Competição
na equipe afeta o entusiasmo na equipe de inovação (balanceamento); (5) Entusiasmo na
equipe de inovação induz os avanços em inovação (reforço). O Quadro 5.1 apresenta os
atributos de controlabilidade de cada conceito:
Quadro 5.1 – Controlabilidade do caso de testes
Conceito Controlabilidade do agente Controlabilidade no domínio Competitividade nas organizações NC CT
Avanços em inovação CT PN Entusiasmo na equipe de inovação PN PN
Competição na equipe NC NC Fonte: Desenvolvido pelo autor
A partir desses dados, foi possível representar visualmente o ECM, como pode ser
visto na Figura 5.1.
Figura 5.1 – Visualização do Mapa Conceitual Estendido
Fonte: Desenvolvido pelo autor por meio do software BLUE KMS
Na Figura 5.1 podem ser reconhecidos os elementos característicos do Mapa
Conceitual Estendido, como a presença da proposição principal no topo, da matriz de
atributos e do mapa conceitual. Além da visualização básica, notam-se as cores nas células e
vértices, evidenciando as situações de controlabilidade dos conceitos.
74
As interações presentes têm por objetivo principal permitir ao usuário alterar a
visualização à medida que achar necessário. Caso os rótulos textuais estejam sobre outros
elementos, impedindo sua visualização, é possível ocultá-los, como apresentado na Figura
5.2.
Figura 5.2 – ECM com rótulos ocultos
Fonte: Desenvolvido pelo autor por meio do software BLUE KMS
Caso o espaço das células não esteja adequado a visualização, o algoritmo permite ainda um
auto ajuste de tamanho, de acordo com a quantidade dos vértices. Um exemplo do modelo
com matriz dinâmica é apresentado na Figura 5.3.
75
Figura 5.3 – ECM com matriz dinâmica
Fonte: Desenvolvido pelo autor utilizando BLUE KMS
Para uma análise alternativa, permite-se ainda a exibição sem restrições de
posição, em um formato comumente encontrado na literatura como “galáxia”. A Figura 5.4
apresenta um exemplo dessa exibição.
Figura 5.4 – ECM sem matriz de atributos
Fonte: Desenvolvido pelo autor utilizando BLUE KMS
A utilidade da visualização sem matriz fica mais evidente quando o grafo
visualizado possui uma quantidade maior de nós, onde a visualização se torna semelhante a
outros métodos de visualização de grafos com agrupamentos de vértices. A Figura 5.5 exibe
um exemplo de grafo com dados sintéticos visualizado por esse recurso, onde se percebe a
divisão entre as diferentes situações de criticidade dos conceitos.
76
Figura 5.5 – ECM sem matriz de atributos com grande quantidade de vértices
Fonte: Desenvolvido pelo autor utilizando BLUE KMS
Para conhecer a influência de um conceito sobre os outros, basta posicionar o
cursor sobre o mesmo, como pode ser observado na Figura 5.6.
Figura 5.6 – Destaque na influência de conceito
Fonte: Desenvolvido pelo autor utilizando BLUE KMS
77
Na Figura 5.6 o conceito “Competitividade nas organizações” é destacado,
evidenciando sua influência de reforço (linha contínua) sobre o conceito “Avanços em
inovação”. Esse destaque facilita, por exemplo, a descoberta de um ciclo de influências, como
ocorre entre os conceitos “Entusiasmo na equipe de inovação” e “Avanços em inovação”. 5.5 Considerações do capítulo
Este capítulo descreveu a metodologia utilizada no desenvolvimento da
visualização dos Mapas Conceituais Estendidos, desde o levantamento de requisitos,
mapeamento visual até o processo de visualização. Ao final, foram apresentados os resultados
da visualização, exibindo os recursos de matriz estática, matriz dinâmica e visualização sem
matriz. O próximo capítulo descreverá o caso real de estudo utilizado para avaliação da
ferramenta.
78
6 ESTUDO DE CASO
O capítulo anterior apresentou a visualização de Mapas Conceituais Estendidos,
suas características, ferramentas e interações possíveis. Para garantir que a representação
cumpra seu papel e atenda aos requisitos para à sua utilização, faz-se necessário avaliá-la. O
presente capítulo descreve cenários reais para avaliação da ferramenta proposta.
6.1 Primeiro cenário de avaliação
Como primeiro cenário real para aplicação e avaliação do ECM, foi utilizado o
caso de uma empresa metalúrgica com severos problemas de cooperação e inexistência de
proatividade por parte dos colaboradores do departamento de contabilidade. A finalidade da
análise utilizando ECM foi externalizar o padrão de raciocínio dos trabalhadores, a fim de
detectar comportamentos semelhantes, identificando a raiz dos problemas de relacionamento.
Os problemas entre os colaboradores reduziram drasticamente a produtividade,
levando a diretoria a substituir a gerência imediata do departamento de contabilidade. A
situação encontrada pelo novo gestor foi uma equipe de sete profissionais trainados em um
cenário de stress e medo. Esse modelo de gerenciamento produziu graves problemas, como
redução da proatividade e colaboração, baixa produtividade e aumento da taxa de erros. De
maneira a combater esses problemas, o novo gestor introduziu um sistema de recompensas a
fim de motivar a equipe. Esse sistema, porém, não atingiu o objetivo esperado, sendo
necessária uma análise profunda do comportamento dos colaboradores para compreender as
razões das atitudes individualistas e desmotivadas.
Foram realizadas reuniões com os colaboradores para que expressassem suas
ideias, e para que pudessem compreender os objetivos do novo gestor. Nas reuniões
realizadas foram aplicados alguns questionários, que permitiram uma descrição proposicional
do presente cenário. Essas proposições foram originadas em uma proposição inicial P, a qual
foi validada pelos próprios colaboradores como sendo adequada para elucidar as dúvidas da
equipe:
Qual é a maneira mais eficiente de motivar a participação da equipe na busca pelas soluções
dos problemas?
79
Os colaboradores foram convidados a pensar sobre a proposição P e descrever
outras proposições secundárias p, associadas a P e que pudessem alterar seu estado. Durante
esse processo, os colaboradores refletiram sobre a similaridade entre suas proposições, unindo
as semelhantes. O processo permitiu uma melhor compreensão sobre a linha de raciocínio da
equipe, elucidando o pensamento convergente e divergente. Como resultado, foi gerado o
Quadro 6.1, contendo as proposições secundárias à proposição principal P.
Quadro 6.1 – Proposições secundárias (p) descritas pelos colaboradores
Conceitos-Causa (Cc) Relacionamentos
Conceitos-efeito (Ce) Ação Modo Premiação dos colaboradores criam (+) Motivação da equipe
Penalização dos colaboradores causam (+) Medo na equipe Atingimento de metas leva a (+) Premiação dos colaboradores Atingimento de metas força a (-) Penalização dos colaboradores Insegurança em agir compromete (-) Atingimento de metas
Medo na equipe conduz a (+) Insegurança em agir Motivação da equipe reduz (-) Medo na equipe Motivação da equipe cria na equipe (+) Proatividade
Fonte: Desenvolvido pelo autor
Conforme observado no Quadro 6.1, diversos conceitos foram encontrados no
processo de elicitação do conhecimento dos colaboradores. Para cada um desses conceitos,
identificou-se a situação de controlabilidade pelo agente (gestor) e em relação a P. A
identificação das características de cada conceito ocorreu coletivamente nas reuniões,
originando o Quadro 6.2.
Quadro 6.2 – Conceitos identificados nas proposições descritas
Conceito Controlabilidade do agente Controlabilidade em P Premiação dos colaboradores CT PN
Motivação da equipe NC NC Penalização dos colaboradores CT PN
Medo na equipe NC NC Atingimento de metas PN CT Insegurança em agir PN PN
Proatividade NC CT Fonte: Desenvolvido pelo autor
Observando o Quadro 6.1, é possível realizar as primeiras inferências sobre como
os conceitos-causa influenciam os conceitos-efeito. É possível afirmar, por exemplo, que o
80
“Atingimento de metas” influencia a “Premiação dos colaboradores”, assim como influencia a
“Penalização dos colaboradores”, ou que a “Premiação dos colaboradores” influencia a
“Motivação da equipe”. Essas interpretações, porém, não são visuais e necessitam de um
maior esforço por parte do analista para processar as relações. Dessa maneira, é necessário
interpretar todas as relações estruturando-as mentalmente. A concepção mental de todos os
relacionamentos, bem como do modo que ocorrem (reforço ou balanceamento), e dos
atributos de cada conceito é inviável, devido aos limites naturais da cognição (SIMON, 1991).
Baseando-se nas regras do ECM (Seção 2.4), utilizando os dados dos Quadros 6.1
e 6.2, foi possível gerar manualmente uma representação do cenário, como visto na Figura
6.1.
Figura 6.1 - Representação do caso de estudo
Fonte: Desenvolvido pelo autor
A representação visual (Figura 6.1) reduz os limites cognitivos relacionando
características semânticas dos conceitos com atributos visuais do desenho, permitindo uma
análise mais rápida das proposições em relação à leitura dos quadros. A representação
81
realizada sem uma ferramenta facilitadora, porém, demonstra-se inviável pois, qualquer
alteração nos dados de origem faz com que o desenho necessite ser manualmente refeito, além
de não permitir qualquer interação em tempo real. Soma-se a isso o fato de que a
representação não utiliza técnicas de visualização, as quais poderiam organizar os elementos
do desenho, além de enfatizar características importantes à análise. Justifica-se então a
utilização de um software como o BLUE KMS (ZAMBON et al., 2016b), proposto pela
presente pesquisa, aplicando técnicas da Visualização de Informação em um ambiente
interativo. A Figura 6.2 realiza a mesma representação presente na Figura 6.1, porém,
utilizando o BLUE KMS na sua criação.
Figura 6.2 - Representação do caso de estudo utilizando BLUE KMS
Fonte: Desenvolvido pelo autor utilizando BLUE KMS
Diferentemente da Figura 6.1, na representação gerada utilizando o mapeamento
visual proposto neste trabalho (Figura 6.2), são enfatizadas diversas características que
permitem realizar inferências visuais sem esforço por parte do analista. Percebe-se ao centro
uma área de atenção, cujos elementos estão destacados em vermelho para que não sejam
ignorados na análise. Próximas a área de atenção central (vermelha) estão localizadas as áreas
82
de atenção moderada (amarelas) e, nos cantos do diagrama, as áreas de baixa atenção (verdes)
que representam pontos de certeza no ECM e não devem ser o foco inicial da análise, uma vez
que sua ação no sistema é bem conhecida pelo analista. Percebe-se ainda a formação de dois
possíveis ciclos de influência:
• “4. Insegurança em agir” influencia “3. Atingimento de metas”, “3. Atingimento de
metas” influencia “2. Penalização dos colaboradores”, “2. Penalização dos
colaboradores” influencia “5. Medo na equipe”, “5. Medo na equipe” influencia “4.
Insegurança em agir”;
• “4. Insegurança em agir” influencia “3. Atingimento de metas”, “3. Atingimento de
metas” influencia “1. Premiação dos colaboradores”, “1. Premiação dos
colaboradores” influencia “6. Motivação da equipe”, “6. Motivação da equipe”
influencia “5. Medo na equipe”, “5. Medo na equipe” influencia “4. Insegurança em
agir”;
Como a análise considera a transferência de energia entre os componentes do
sistema, a percepção dos ciclos é um fator de grande relevância, não devendo ser ignorado
pelo analista, embora isso possa ocorrer facilmente em representações não visuais.
Analisando a Figura 6.2, é possível constatar que os conceitos “Penalização dos
colaboradores” e “Premiação dos colaboradores” são controláveis pelo agente, uma vez que
representam regras administrativas que podem ser alteradas pelo gestor, mas não há certeza
sobre sua influência sobre P. Não se pode afirmar que “Premiação dos colaboradores” ou
“Penalização dos colaboradores” são “maneiras eficientes de motivar a participação da equipe
na busca pelas soluções dos problemas (P)”, justificando a classificação desses conceitos
como penumbra (PN) em relação ao domínio. Sendo assim, esses conceitos estão na área
amarela do diagrama, significando ser um ponto de média necessidade de atenção na análise.
Observa-se também que “Premiações dos colaboradores (Cc) criam (V) Motivação na equipe
(Ce)”, e “Penalização dos colaboradores (Cc) causam (V) Medo na equipe (Ce)”, relações
cujos conceitos-efeito não influenciam diretamente o domínio, segundo o conhecimento da
equipe.
83
Prosseguindo com a análise da Figura 6.2, observa-se que os conceitos “Medo na
equipe” e “Motivação da equipe” não são controláveis (NC) pelo agente, pois ocorrem
espontaneamente. A plena incerteza (NC, NC) demonstra que não há como o agente alterar o
comportamento dos conceitos de maneira direta, bem como não há influência direta sobre P.
Assim sendo, esses conceitos deixam de ser foco de atenção, indicando ser conceitos
coadjuvantes no resultado que está sendo obtido pelo sistema.
Nota-se que “Medo na equipe (Cc) conduz a (V) Insegurança em agir (Ce)”, que
consequentemente “compromete (V) Atingimento de metas (Ce)”, compondo os ciclos
percebidos no início da análise. A “Insegurança em agir” (PN, PN) torna-se então o ponto
crítico do sistema, já que não há certeza de como o agente pode influenciar esse conceito, nem
tão pouco como o comportamento do conceito influencia o domínio. A insegurança
justificada pelo medo na equipe não havia sido detectada pelo gestor, comprovando o fato
como núcleo do problema. Dessa forma, o crescimento do volume de erros, ainda que com
possibilidade de recompensas, fez com que os colaboradores deixassem de acreditar que as
medidas gerenciais pudessem realmente prover eficiência a equipe. Para se confirmar a
existência dos ciclos de influência, a representação gerada pelo BLUE KMS permite destacar
as linhas de influência dos conceitos, como pode ser visto na Figura 6.3.
Figura 6.3 - Destaque das relações de um conceito
Fonte: Desenvolvido pelo autor utilizando BLUE KMS
Na Figura 6.3, a representação gerada utilizando BLUE KMS destaca cada uma
das linhas de influência dos conceitos quando o cursor do mouse é posicionado sobre o
84
conceito que se deseja analisar. Dessa maneira, somente as relações nas quais o conceito
selecionado participe são destacadas, tornando todas as outras semitransparentes.
A Figura 6.3 revela um cenário ineficiente quanto a ação dos gestores sobre as
atitudes dos colaboradores. Observando que “Penalização dos colaboradores (Cc) causam (V)
Medo na equipe (Ce)” (Figura 6.3 a), conduzindo a “Insegurança em agir (Ce)” (Figura 6.3 b),
comprometendo assim o “Atingimento de metas” (Figura 6.3 c), e que o “Atingimento de
metas” influencia diretamente a “Penalização dos colaboradores” (Figura 6.3 d), fica evidente
que há um ciclo vicioso no sistema. Dessa forma, a chave para uma mudança está justamente
na quebra do ciclo que causa punições, reforça o medo e impede atitudes proativas por parte
da equipe.
A representação visual gerada pelo BLUE KMS permite ainda uma outra forma
de analisar as influências entre conceitos, onde são retirados do diagrama as restrições
espaciais enfatizando puramente as relações entre conceitos. Essa representação pode ser vista
na Figura 6.4
Figura 6.4 - Representação como “galáxia”
Fonte: Desenvolvido pelo autor utilizando BLUE KMS
85
Na Figura 6.4 os ciclos de viciosos de premiações e penalizações são novamente
evidenciados. O analista pode ainda ser influenciado a acreditar na existência de um terceiro
ciclo entre os conceitos 8, 9, 6, e 7, mas utilizando a ferramenta de destaque de influências,
percebe-se que não há influência sobre o conceito 8, descaracterizando o ciclo.
A representação do conhecimento coletivo revelou conceitos que antes pertenciam
somente ao conhecimento individual. Dessa maneira, problemas ocultos no cenário complexo
foram revelados. A representação do conhecimento organizacional permitiu uma discussão
clara entre colaboradores e gerência, criando condições para a inclusão de novas condições
decididas coletivamente. Após a discussão, foram propostas “Reuniões para briefing” (CT,
CT) para que houvesse “Divulgação das melhores práticas” (CT, CT). A “Divulgação das
melhores práticas” realizadas pela equipe ampliou a segurança, trabalhando a “Motivação da
equipe” e gerando “Proatividade” (Figura 6.5).
Figura 6.5 - Representação das alterações no sistema
Fonte: Desenvolvido pelo autor utilizando BLUE KMS
86
“Divulgação das melhores práticas” propicia uma equipe motivada. “Motivação
da equipe” cria um ambiente proativo que, consequentemente, facilita o surgimento de novas
atitudes positivas por parte da equipe. Criou-se, então, um ciclo virtuoso combatendo o ciclo
de medo previamente existente (Figura 6.5).
O caso apresentado demonstra que a representação visual do conhecimento
coletivo, em especial quando aplicadas as técnicas corretas para evidenciar características
relevantes, permite ao analista, bem como aos próprios envolvidos, compreender o sistema
por completo, mitigando divergências de conceitos e favorecendo a compreensão mútua.
Sobre a representação visual gerada pelo BLUE KMS, pode se afirmar que:
• A representação demonstrou orientar corretamente a leitura do desenho para a análise
deste estudo de caso, uma vez que os elementos estão posicionados em uma ordem
que torna a leitura intuitiva, iniciando pela proposição inicial, seguindo para os pontos
críticos, e finalizando na exibição de detalhes sob demanda, como os rótulos textuais;
• A distribuição dos elementos em tela se mostrou adequada, em especial quando
utilizado o recurso de auto ajuste das células da matriz de atributos. Os elementos se
apresentaram distribuídos, porém, não dispersos a ponto de impedir a correta
compreensão da correlação entre eles;
• O posicionamento dos conceitos na matriz, somado à utilização de traçado
diferenciado para as relações de reforço e balanceamento permitiu uma compreensão
correta das características dos conceitos, mesmo em apresentações em escala de cinza.
Esse aspecto pode favorecer impressões que não se utilizem de cores;
A livre interação do usuário com os elementos, podendo reposicioná-los sob demanda,
facilita a leitura dos dados, mesmo em casos onde o algoritmo não distribua os
conceitos de maneira ideal;
87
6.2 Segundo cenário de avaliação
O segundo cenário de avaliação foi apresentado por ZAMBON et al., 2016a, e
descreve o caso de uma pequena empresa do setor de máquinas e equipamentos industriais.
Na empresa apresentada haviam problemas relacionados ao cumprimento dos prazos de
entrega e havia discordância entre os métodos utilizados pelos gestores para mitigar esses
problemas. Nessa empresa atuam vinte e oito colaboradores e dois sócios, ambos engenheiros,
trabalhando em regime integral. O primeiro sócio gerencia o departamento de projetos de
máquinas, e o segundo é encarregado da produção das mesmas. Um detalhe importante para a
compreensão do problema é que esses sócios são pai e filho.
Devido a hierarquia familiar presente, o ambiente empresarial acaba contaminado,
dificultando o compartilhamento do modelo de gestão que ambos utilizam, impedindo que
boas práticas se disseminem, o que acarreta no atraso das entregas realizadas. Tal divergência
entre os sócios não está explicita, já que advém diretamente da hierarquia familiar. Com o
objetivo de desenvolver o aprendizado organizacional, aplicou-se a técnica do ECM a fim de
explicitar os modelos mentais e iniciar um processo de gestão do conhecimento.
Por meio de entrevistas com os sócios, foram levantadas as impressões de cada
um deles a cerca da seguinte questão:
Porque as máquinas não são entregues no tempo contratado?
Uma vez obtidas as opiniões pessoais de cada um dos sócios, foi possível
identificar as palavras-chave do domínio do problema abordado, sendo essas:
• Clientes: todos os clientes da empresa;
• Produção: processo produtivo da empresa.
• Resultado financeiro: medidos no final do exercício ou de uma série temporal;
• Retrabalho: qualquer ação para resolver não conformidades;
• Prazo de entrega: tempos de desenho, fabricação, montagem, testes e entrega da
máquina;
• Tempo de atraso: tempo que excede o prazo de entrega;
88
• Motivação: espécie de energia psicológica ou tensão que põe em movimento o
organismo humano;
• Clima organizacional: conceitos tácitos de valor, observados no comportamento das
pessoas que fazem parte da organização.
As entrevistas também permitiram definir a relação entre esses conceitos, bem
como sua situação em relação ao domínio. Utilizando as regras do ECM (Seção 2.4), e
aplicando os dados obtidos, foi possível gerar a primeira visualização da situação abordada
como ECM (Figura 6.6).
Figura 6.6 - Representação visual
Fonte: Desenvolvido pelo autor
Assim como no primeiro caso apresentado, a representação visual gerada sem o
auxílio de técnicas de visualização (Figura 6.6) não possui características que facilitem a
compreensão da situação abordada, além de ser estática, não possuindo nenhuma
89
possibilidade de interação, ou modificação em tempo real. Justifica-se, novamente, a
utilização do software BLUE KMS, gerando uma visualização a partir das técnicas da
Visualização de Informação, como pode ser observado na Figura 6.7.
Figura 6.7 - Representação visual por meio do ECM
Fonte: ZAMBON et al., 2016a
Iniciando a análise, por meio da Figura 6.7, pela área mais crítica (em vermelho),
percebe-se que não há certeza sobre a influência do agente sobre o “Clima organizacional”,
bem como não se sabe qual a influência desse conceito sobre o ambiente como um todo.
“Clima organizacional”, porém, influencia diretamente a “Produção” que, por sua vez, é algo
sabidamente controlável pelo agente, e influencia diretamente o ambiente. Logo, “Produção”
está em uma área de plena certeza (verde).
Observa-se que o conceito “Clientes” se situa em uma posição de “Penumbra” em
relação ao agente, e “Controlável” em relação ao domínio. A leitura dessa situação identifica
que não há certeza sobre o controle do agente sobre “Clientes”, mas é certo que “Clientes”
influencia no problema abordado. “Clientes” também influencia “Produção” em uma situação
de reforço, já que, quanto mais “Clientes”, maior deve ser “Produção”.
Quanto ao “Retrabalho”, é certo que os agentes não o controlam. Mas, se houver
uma melhora no “Clima organizacional”, haverá uma redução nesse conceito. Isso ocorre pela
influência do “Clima organizacional” reforçando “Motivação”, e consequentemente
90
“Motivação” balanceando o “Retrabalho”. “Retrabalho” também é influenciado pela
“Produção” de maneira proporcional, já que, quanto mais produção, se não houverem
alterações no ambiente, haverá uma maior necessidade de se corrigir os problemas gerados no
processo produtivo. A consequência do aumento do “Retrabalho” é o aumento do “Atraso do
prazo de entrega”.
Tanto “Produção” quanto “Retrabalho” influenciam diretamente, mas de maneiras
inversas (“Produção” reforçando, “Retrabalho” balanceando) o “Resultado financeiro”.
A análise da situação permitiu aos agentes criar estratégicas de melhoria contínua,
conforme a representação da Figura 6.8:
Figura 6.8 – Adição de conceitos no domínio abordado
Fonte: ZAMBON et al., 2016a
Essas estratégias apresentadas na Figura 6.8 consistem na criação de três novos
conceitos:
• Análise dos erros do projeto: se refere à ação de verificar, no final da produção,
quais foram os erros do projeto, da produção e dos suprimentos;
• Aprendizagem com os erros: uma vez evidenciados os erros, revela-se aquilo que
é preciso mudar; as ações nessa fase são para corrigir projetos e alinhá-los ao
resultado da fabricação;
91
• Comunicação entre departamentos: demostra o entendimento do problema pelos
agentes mediante sua comunicação com vistas à superação da situação
problemática.
Conforme observado na Figura 6.8, o conceito “Análise de erros do projeto” é
controlável ao agente, e permite que haja a “Aprendizagem com os erros”, reduzindo o
“Retrabalho” e incentivando a “Comunicação entre departamentos”. Ampliar a sinergia entre
os departamentos causa uma imediata melhora no clima organizacional, ampliando a
motivação, e atacando o problema do retrabalho.
Assim como no primeiro caso de estudo, é possível concluir que o software BLUE KMS
facilita a identificação dos fatores relevantes ao caso, reduzindo o tempo gasto pelo analista
na interpretação dos fatos presentes, e ampliando sua capacidade de percepção de fatores que
não estariam evidentes em leituras textuais, ou mesmo na representação visual que não se
favorece das técnicas da Visualização de Informação. 6.3 Outros cenários de avaliação
Vale citar que a ferramenta foi utilizada também no artigo “Empleo de
instrumentos de gestión del conocimiento para compreensión de los patrones de preferencia
del consumidor em productos de la cadena de la moda” (ZAMBON et al., 2017), obtendo
resultados satisfatórios na análise proposta. 6.4 Considerações do capítulo
Este capítulo descreveu casos de estudo e apresentou os resultados da avaliação
sobre a utilização da visualização proposta para os Mapas Conceituais Estendidos.
O capítulo seguinte apresenta as conclusões da presente pesquisa, e descreve os
trabalhos futuros nos quais existe a pretensão de pesquisa, no contexto da visualização do
ECM.
92
7 CONCLUSÃO
7.1 Considerações gerais
Este trabalho propôs a utilização de técnicas da Visualização de Informação, em
especial as técnicas utilizadas na representação de grafos e redes complexas, para a
representação visual do modelo de representação do conhecimento denominado Mapas
Conceituais Estendidos. Esse modelo consiste em uma ferramenta utilizada para análises na
área da gestão estratégica, que visa englobar as vantagens dos mapas conceituais, como a
facilidade na identificação de ciclos de influência, bem como as vantagens das matrizes de
atributos, como a fácil categorização e comparação de conceitos.
Para que fosse desenvolvida uma ferramenta familiar e útil aos analistas, foram
levantados requisitos com foco na usabilidade, visando ampliar a capacidade do ECM por
meio de um mapeamento visual que permite realizar as inferências necessárias à compreensão
do sistema complexo ali representado. Definiu-se, no mapeamento, o formato para a
apresentação dos vértices, das arestas, aplicação das cores das células da matriz de atributos,
entre outras características visuais, objetivando atender tais requisitos. Somados a esses
recursos, foram aplicados conceitos da visualização de grafos, como a abordagem orientada a
força, restrições no posicionamento de vértices e agrupamentos de vértices.
Para aplicação dos conceitos levantados, em ambiente computacional, foi
desenvolvido um algoritmo, baseado no algoritmo de Fruchterman-Reingold, utilizando uma
linguagem voltada a utilização na internet, permitindo assim a publicação global da
ferramenta de visualização. Além das características básicas do algoritmo de Fruchterman-
Reingold, foi definida a característica de magnetismo as paredes das células da matriz de
atributos, atendendo as restrições no posicionamento dos vértices.
O algoritmo deu origem a uma plataforma completa para gestão do conhecimento,
nomeada BLUE KMS, permitindo não só a representação do conhecimento, mas também sua
elicitação e armazenamento.
De acordo aos testes realizados, a ferramenta desenvolvida se demonstrou
adequada a visualização do ECM, pois atendeu aos requisitos propostos, evidenciando todas
93
as características necessárias. Os estudos de caso realizados demonstraram ser possível
facilitar as percepções necessárias ao analista que lança mão da utilização dos Mapas
Conceituais Estendidos para analisar sistemas complexos, permitindo uma compreensão mais
clara, rápida e precisa do ambiente estudado.
7.2 Trabalhos futuros
Devido ao potencial demostrado pela ferramenta de visualização desenvolvida,
ficam registradas as seguintes propostas para trabalhos futuros, as quais não puderam ser
realizados por não estarem previstos no escopo inicial do projeto ou devido aos limites de
recursos e tempo da pesquisa:
• Definir um conjunto de heurísticas que permitam atestar a usabilidade e eficiência da
ferramenta de visualização;
• Realizar testes analíticos que comprovem a qualidade da visualização em relação aos
critérios estéticos da visualização de grafos;
• Realizar questionários e pesquisas junto aos analistas que utilizam o ECM, a fim de
revelar novas necessidades a serem exploradas pela visualização;
• Implementar uma forma de interação que permita alterar os dados do grafo em tempo
real, adicionando, editando e removendo conceitos e relações no próprio ambiente da
visualização;
• Implementar interação que permita obter mais informações sobre um determinado
conceito clicando sobre ele;
• Pesquisar meios para o processamento do desenho de grafo utilizando o processador
gráfico (GPU), com objetivo e agilizar os cálculos e permitir a adição de novas
técnicas sem que haja perda de desempenho.
94
REFERÊNCIAS BIBLIOGRÁFICAS
ALAVI, Maryam; LEIDNER, Dorothy E. Knowledge management systems: issues, challenges, and benefits. Communications of the AIS, v. 1, n. 2es, p. 1, 1999. ANUNCIAÇÃO, Pedro; ZORRINHO, Carlos. Urbanismo Organizacional: Como Gerir o Choque Tecnológico nas Empresas. Lisboa: Edições Sílabo, 2006. 192 p. BADDELEY, Alan D.; HITCH, Graham. Working memory. Psychology of learning and motivation, v. 8, p. 47-89, 1974. BERTALANFFY, Ludwig V. General systems theory. New York, v. 41973, p. 40, 1968. BERTIN, John. Semiology of graphics: diagrams, networks, maps. Madison: The University of Wisconsin Press, 1983. 416 p. BONDY, John A.; MURTY, Uppaluri S. R. Graph theory with applications. London: Macmillan, 1976. CARD, Stuart K.; MACKINLAY, Jock D.; SHNEIDERMAN, Ben. Readings in information visualization: using vision to think. Morgan Kaufmann, 1999. CHARTRAND, Gary; LESNIAK, Linda; ZHANG, Ping. Graphs & digraphs. CRC Press, 2010. CHEN, Chaomei. Information visualization: Beyond the horizon. Springer Science & Business Media, 2006. D’OTTAVIANO, Ítala M. L.; BRESCIANI FILHO, Ettore. Auto-organizacão e criação. Revista Multiciência, Campinas: CLE/UNICAMP, 2000, v. 30, p. 283-306. DAVIDSON, Ron; HAREL, David. Drawing graphs nicely using simulated annealing. ACM Transactions on Graphics (TOG), v. 15, n. 4, p. 301-331, 1996. DI BATTISTA, Giuseppe; EADES, Peter; TAMASSIA, Roberto; TOLLIS, Ioannis G. Graph drawing: algorithms for the visualization of graphs. 1999. DUVAL, Céline; DESGRANGES, Béatrice; DE LA SAYETTE, Vincent; BELLIARD, Serge; EUSTACHE, Francis; PIOLINO, Pascale. What happens to personal identity when semantic knowledge degrades? A study of the self and autobiographical memory in semantic dementia. Neuropsychologia, v. 50, n. 2, p. 254-265, 2012. EADES, Peter; XUEMIN, Lin. How to draw a directed graph. In: Visual Languages, 1989., IEEE Workshop on. IEEE, 1989. p. 13-17. FRUCHTERMAN, Thomas M. J.; REINGOLD, Edward M. Graph drawing by force-directed placement. Software: Practice and experience, v. 21, n. 11, p. 1129-1164, 1991.
95
GIBSON, Helen; FAITH, Joe; VICKERS, Paul. A survey of two-dimensional graph layout techniques for information visualization. Information visualization, v. 12, n. 3-4, p. 324-357, 2013. HELMS, Marilyn M.; NIXON, Judy. Exploring SWOT analysis-where are we now? A review of academic research from the last decade. Journal of strategy and management, v. 3, n. 3, p. 215-251, 2010. HERMAN, Ivan; MELANÇON, Guy; MARSHALL, M. Scott. Graph visualization and navigation in information visualization: A survey. IEEE Transactions on visualization and computer graphics, v. 6, n. 1, p. 24-43, 2000. KAMADA, Tomihisa; KAWAI, Satoru. An algorithm for drawing general undirected graphs. Information processing letters, v. 31, n. 1, p. 7-15, 1989. KERREN, Andreas; EBERT, Achim; MEYER, Jörg. Human-centered visualization environments. Springer-Verlag, 2006. KOBOUROV, Stephen G. Force-directed drawing algorithms. In: Handbook of graph drawing and visualization. CRC press, 2013. P 383–408. KULYK, Olga; KOSARA, Robert; URQUIZA, Jaime; WASSINK, Ingo. Human-centered aspects. In: Human-Centered visualization environments. Springer-Verlag, 2006. p. 13-75. LARKIN, Jill H.; SIMON, Herbert A. Why a diagram is (sometimes) worth ten thousand words. Cognitive science, v. 11, n. 1, p. 65-100, 1987. MACHADO-DA-SILVA, Clóvis L.; FONSECA, Valeria S. da; FERNANDES, Bruno H. Rocha. Mudança e estratégia nas organizações: perspectivas cognitiva e institucional. Administração contemporânea: perspectivas estratégicas. São Paulo: Atlas, p. 102-118, 1999. MAZZA, Riccardo. Introduction to information visualization. Springer Science & Business Media, 2009. MINTZBERG, Henry. The strategy concept I: Five Ps for strategy. California management review, v. 30, n. 1, p. 11-24, 1987. MITCHELL, Rebecca; BOYLE, Brendan. Knowledge creation measurement methods. Journal of Knowledge Management, v. 14, n. 1, p. 67-82, 2010. MOZILLA. JavaScript | MDN. 2016. Disponível em: <https://developer.mozilla.org/en-US/docs/Web/JavaScript>. Acesso em: 22 dez. 2016a. MOZILLA. Canvas tutorial - Guia do desenvolvedor web | MDN. 2016. Disponível em: <https://developer.mozilla.org/pt-BR/docs/Web/Guide/HTML/Canvas_tutorial>. Acesso em: 22 dez. 2016b.
96
NONAKA, lkujiro; TAKEUCHI, Hirotaka; UMEMOTO, Katsuhiro. A theory of organizational knowledge creation. International Journal of Technology Management, v. 11, n. 7-8, p. 833-845, 1996. NOVAK, Joseph D. Learning, creating, and using knowledge: Concept maps as facilitative tools in schools and corporations. Routledge, 2010. PAIVIO, Allan. Dual coding theory: Retrospect and current status. Canadian Journal of Psychology/Revue canadienne de psychologie, v. 45, n. 3, p. 255, 1991. RODRIGUES, Eduarda M.; MILIC-FRAYLING, Natasa; SMITH, Marc. Group-in-a-Box layout for multi-faceted analysis of communities. In: Privacy, Security, Risk and Trust (PASSAT) and 2011 IEEE Third International Conference on Social Computing (SocialCom), 2011 IEEE Third International Conference on. IEEE, 2011. p. 354-361. ROUBY, Evelyne; THOMAS, Catherine. L’articulation compétences individuelles/compétences stratégiques: vers une solution de gestion intégrée des compétences. Revue Interventions économiques. Papers in Political Economy, n. 40, 2009. SENGE, Peter M. The fifth discipline fieldbook: Strategies and tools for building a learning organization. Crown Business, 2014. SIMON, Herbert A. Bounded rationality and organizational learning. Organization science, v. 2, n. 1, p. 125-134, 1991. SLACK, Nigel. The flexibility of manufacturing systems. International Journal of Operations & Production Management, v. 7, n. 4, p. 35-45, 1987. STERMAN, John D. System dynamics modeling: tools for learning in a complex world. California management review, v. 43, n. 4, p. 8-25, 2001. SUGIYAMA, Kozo; TAGAWA, Shojiro; TODA, Mitsuhiko. Methods for visual understanding of hierarchical system structures. IEEE Transactions on Systems, Man, and Cybernetics, v. 11, n. 2, p. 109-125, 1981. TAMASSIA, Roberto. Constraints in graph drawing algorithms. Constraints, v. 3, n. 1, p. 87-120, 1998. TAMASSIA, Roberto; DI BATTISTA, Giuseppe; BATINI, Carlo. Automatic graph drawing and readability of diagrams. IEEE Transactions on Systems, Man, and Cybernetics, v. 18, n. 1, p. 61-79, 1988. TAVARES, Romero. Construindo mapas conceituais. Ciências & Cognição, v. 12, p. 72-85, 2007. THOMPSON, Benjamin P.; BANK, Lawrence C. Use of system dynamics as a decision-making tool in building design and operation. Building and Environment, v. 45, n. 4, p. 1006-1015, 2010.
97
TUTTE, William Thomas. How to draw a graph. Proc. London Math. Soc, v. 13, n. 3, p. 743-768, 1963. W3C. W3C SVG Working Group. 2016. Disponível em: <https://www.w3.org/Graphics/SVG/>. Acesso em: 22 dez. 2016. ZAMBON, A. C.; BAIOCO, Gisele B.; CHISTE, Cristiano; VASQUES, Dildre G. Uma aplicação prática de gestão do conhecimento e simulação na resolução de problemas complexos empresariais. Revista Produção Online, v. 16, n. 2, p. 408–440, 2016a. ZAMBON, A. C.; BAIOCO, Gisele B.; DA SILVA, Celmar G.; DUARTE, Gabriel A. BLUE KMS. Limeira, SP – Brazil. INPI - Proc. BR 51 2016 000860 1, 2016b. Disponível em: <http://unicamp.bluekms.com.br> ZAMBON, A. C.; BAIOCO, Gisele B.; CARREÑO, Luz A. T.; JARAMILLO, Juan F. G. Empleo de instrumentos de gestión del conocimiento para compreensión de los patrones de preferencia del consumidor em productos de la cadena de la moda. Perspectivas em Gestão & Conhecimento, v. 7, n. especial, p. 50–65, 2017.